如何在Pycharm中制作自己的爬蟲代碼模板

更新時間：2021年12月29日 10:24:59 作者：lhys666

當有很多個個網(wǎng)站想要爬時，每個爬蟲的代碼不一樣，但有某種聯(lián)系，這個時候可以抽出一部分通用的代碼制成模板，減少代碼工作量。本文將具體介紹如何實現(xiàn)這一模板，需要的可以參考一下

寫作背景

最近本菜雞有幾個網(wǎng)站想要爬，每個爬蟲的代碼不一樣，但有某種聯(lián)系，可以抽出一部分通用的代碼制成模板，減少代碼工作量，于是就有了這篇文章。

如果覺得我這篇文章寫的好的話，能不能給我點個贊，評論、收藏一條龍(☆▽☆)。如果要點個關(guān)注的話也不是不可以。

如果有什么問題，還請各位大佬提出，不勝感激。

爬蟲代碼

我的爬蟲代碼都是使用的自己寫的多線程。

因為我的代碼能力很差，所以如果代碼有哪里讓各位大佬倍感不適，請及時在評論區(qū) 指出，謝謝各位大佬。

我的代碼如下：

#!/usr/bin/python3
# -*- coding=utf-8 -*-
# @Author  : lhys
# @FileName: proxy_tool.py

import requests
import threading

timeout = 300
lock = threading.Lock()

# 請求頭用自己的
headers = {
    '': ''
}

class MyProxy:

    def __init__(self, proxy_api='', proxy_server='', max_use=5000, try_count=5):

        if not (proxy_api or proxy_server):
            raise TypeError('Proxy_api and proxy_server cannot be empty at the same time.')

        self.proxies = None if not proxy_server else {
            'http': proxy_server,
            'https': proxy_server
        }
        # 代理API
        self.proxy_api = proxy_api
        # 代理 IP 最大使用次數(shù)
        self.max_use = max_use
        # 測試代理 IP 次數(shù)，超過次數(shù)即認為代理 IP 不可用
        self.try_count = try_count
        # 是否爬蟲請求出錯，如果出錯，直接更換 IP
        self.flag = 0
        # 代理 IP 剩余生存時間
        self.proxy_ttl = 0
        # 各種鎖
        self.lock = threading.Lock()
        self.ttl_lock = threading.Lock()
        self.flag_lock = threading.Lock()
    
    def set_flag(self):
        self.flag_lock.acquire()
        self.flag = 1
        self.flag_lock.release()

    def get_flag(self):
        self.flag_lock.acquire()
        flag = self.flag
        self.flag_lock.release()
        return flag

    def decrease_ttl(self):
        self.ttl_lock.acquire()
        self.proxy_ttl -= 1
        self.ttl_lock.release()

    def get_ttl(self):
        self.ttl_lock.acquire()
        ttl = self.proxy_ttl
        self.ttl_lock.release()
        return ttl

    def set_ttl(self):
        self.ttl_lock.acquire()
        self.proxy_ttl = self.max_use
        self.ttl_lock.release()

    def get_proxy(self):
        self.lock.acquire()
        proxy = self.proxies
        self.lock.release()
        return proxy

    def set_proxy(self):

        if self.proxy_ttl > 0 and self.flag == 0:
            return

        old = self.proxies

        if self.flag == 1:

            for try_count in range(self.try_count):

                try:
                    requests.get('https://www.baidu.com', headers=headers, proxies=old, timeout=timeout)
                    print(f'Test proxy {old} successfully.')
                    return

                except requests.exceptions.ProxyError or requests.exceptions.ConnectionError or requests.exceptions.ConnectTimeout:
                    print(f'Test proxy {old} failed.')
                    break

                except Exception as e:
                    print(e)

        if not self.proxy_api:
            raise ValueError('代理 IP 不可用，且代理 IP API未設(shè)置。')

        while True:

            res = requests.get(self.proxy_api)

            # 這一部分按照自己的代理 IP 文檔來，僅供參考
            try:

                if res.json()["ERRORCODE"] == "0":

                    ip, port = res.json()["RESULT"][0]['ip'], res.json()["RESULT"][0]['port']

                    self.lock.acquire()

                    self.proxies = {
                        'http': 'http://%s:%s' % (ip, port),
                        'https': 'http://%s:%s' % (ip, port)
                    }

                    print(f'Set proxy: {ip}:{port}.')

                    self.flag = 0

                    self.lock.release()

                    self.set_ttl()

                    return

                else:
                    print(f'Set proxy failed.')

            except Exception as e:
                print(e)

Proxy = MyProxy()

def request_by_proxy(url, use_proxy=True):

    while True:

        try:
            # 使用代理
            if use_proxy:
            
                proxy_ttl = Proxy.get_ttl()
                print(proxy_ttl)
                
                # 如果 超過最大使用次數(shù) 或者 請求出現(xiàn)錯誤，重新設(shè)置 IP
                if proxy_ttl <= 0 or Proxy.get_flag():
                    Proxy.set_proxy()

                print(Proxy.get_ttl())

                proxy = Proxy.get_proxy()

                lock.acquire()
                res = requests.get(url, headers=headers, proxies=proxy, timeout=timeout)
                lock.release()

                Proxy.decrease_ttl()

                return res

            else:

                res = requests.get(url, headers=headers, timeout=timeout)

                return res

        except requests.exceptions.ProxyError as pe:
            if use_proxy:
                lock.release()
            print(f'Proxy {Proxy.proxies} is not available, reason: {pe}.')
            Proxy.set_flag()

        except requests.exceptions.Timeout as t:
            if use_proxy:
                lock.release()
            print(f'Time out, reason: {t}.')
            Proxy.set_flag()

        except Exception as e:
            if use_proxy:
                lock.release()
            print(e)

#!/usr/bin/python3
# -*- coding=utf-8 -*-
# @Author  : lhys
# @FileName: spider.py

import time
import threading
from multiprocessing import Queue
from proxy_tool import request_by_proxy

threshold = 30
queue = Queue()

class Spider(threading.Thread):

    def __init__(self, use_proxy=True):
        super(Spider, self).__init__()
        self.use_proxy = use_proxy

    def get_data(self, url):

        try:

            res = request_by_proxy(url, self.use_proxy)
            
            # 響應(yīng)處理
            pass

        except Exception as e:

            print(e)

        return

    def run(self):

        while True:

            # 如果隊列空了，等待一會兒。
            # 過了指定的時間后，如果隊列出現(xiàn)數(shù)據(jù)，就繼續(xù)爬
            # 如果隊列還是空的，停止線程

            if queue.empty():
                time.sleep(threshold)

            if not queue.empty():
                url = queue.get()
                self.get_data(url)
                time.sleep(threshold)

            else:
                print('Queue is empty.')
                return