Python 實(shí)戰(zhàn)計(jì)劃學(xué)習(xí)筆記:自動(dòng)設(shè)置代理爬取58同城商品信息

案例目的:爬取58同城寵物狗信息
難點(diǎn) - 自動(dòng)代理:爬取58信息前,自動(dòng)設(shè)置 http://www.xicidaili.com/nn 代理網(wǎng)站公布的免費(fèi)代理。如果代理不可用,自動(dòng)更換代理設(shè)置。

成果:

Paste_Image.png

源代碼:

import bs4
import requests
import requests.exceptions
import time
import re

heads = {
    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36",
}

def get_detail(url):
    soup = get_soup_from_url(url,True)

    title = soup.find("div", class_="mainTitle_content").h1.get_text()
    price = soup.find("span",class_="price c_f50").get_text()
    age = soup.find("span",class_="nianling").get_text().strip()
    breed = soup.find("div",class_="su_tit",text=re.compile(r"品\s*種")).next_sibling.next_sibling.span.get_text().strip()
    contactor = soup.find("span",class_="lianxiren").a.get_text()

    print(price,age,breed,contactor,title)
    time.sleep(1)

def get_list(url):

    def atag_exclude_adds(tag):
        return tag.name == "a" and tag.has_attr("class") and "t" in tag["class"] and "xct" not in tag.parent["class"]

    soup = get_soup_from_url(url,True)
    detail_urls = [i.get("href") for i in soup.find_all(atag_exclude_adds)]

    # print("detail_urls ready")
    for i in detail_urls:
        get_detail(i)
        # print(i)

def get_soup_from_url(url,auto_proxy = False):
    if auto_proxy:
        # proxy = my_proxy.get_current_proxy()
        proxy = my_proxy.get_current_proxy()
    else:
        proxy = {}

    while True:
        # if proxy: print("Trying Proxy:%s" % proxy["http"])
        try:
            respond = requests.get(url,headers=heads,proxies = proxy,timeout=8)
        except (requests.exceptions.ProxyError, requests.exceptions.ConnectionError, requests.exceptions.ReadTimeout) as e:
            print("Proxy %s isn't working well..." % proxy["http"])
            proxy = my_proxy.get_next_proxy()
        else:
            if respond.status_code!= 200:
                print("respond status code problem: %s" % respond.status_code)
                proxy = my_proxy.get_next_proxy()
                continue
            break

    soup = bs4.BeautifulSoup(respond.text,'lxml')
    return soup

class MyProxy(object):
    def __init__(self):
        self.proxy_list = []
        self.refresh_ip_list()
        self.__next__()

    def refresh_ip_list(self):
        print("Refreshing MyProxy IP List...")
        soup = get_soup_from_url("http://www.xicidaili.com/nn/")

        #正則尋找IP地址
        re_ip = re.compile(
            r"(?:(?:25[0-5]|2[0-4]\d|((1\d{2})|([1-9]?\d)))\.){3}(?:25[0-5]|2[0-4]\d|((1\d{2})|([1-9]?\d)))")
        ip_tag = soup.find_all("td", text=re_ip)  # get_text()

        #獲得IP端口
        ports = soup.select("tr > td:nth-of-type(3)")

        #獲取Proxy速度
        speed_work = [i.get("class")[1] for i in soup.select("tr > td:nth-of-type(7) > div > div")]

        #獲取Proxy連接速度
        speed_connect = [i.get("class")[1] for i in soup.select("tr > td:nth-of-type(8) > div > div")]

        #合并所有數(shù)據(jù)至ip_data : {"ip":XX.XX.XX.XX,"speed_work":"fast","speed_connect":"medium"}
        ip_data = []
        for ip, workspeed, connectspeed,port in zip(ip_tag, speed_work, speed_connect,ports):
            data = {
                "ip": "{ip}:{port}".format(ip = ip.get_text(),port = port.get_text()),
                "speed_work": workspeed,
                "speed_connect": connectspeed
            }
            ip_data.append(data)

        #篩選出速度快的Proxy
        ip_data_filtered = list(filter(lambda i: i["speed_work"] == "fast" and i["speed_connect"] == "fast", ip_data))
        self.proxy_list = [i["ip"] for i in ip_data_filtered]
        self.proxy_list = iter(self.proxy_list)

    def __iter__(self):
        return self

    def __next__(self):
        print("Switching IP Address...")
        try:
            self.currentIP = next(self.proxy_list)
            print("New Proxy: %s" % (self.currentIP))
            return self.currentIP
        except StopIteration as e:
            self.refresh_ip_list()
            return self.__next__()

    def get_current_proxy(self):
        return {"http": self.currentIP}

    def get_next_proxy(self):
        return {"http": self.__next__()}

my_proxy = MyProxy()

dog_lists = ["http://sh.58.com/dog/pn{}".format(i) for i in range(5)]
for list_url in dog_lists:
    print("Scrawling %s" % (list_url))
    get_list(list_url)

總結(jié):

  • soup.find_all()可以使用方法作為參數(shù)诺苹,實(shí)現(xiàn)完全自定義。
  • MyProxy 為迭代器雹拄,無(wú)窮迭代收奔,當(dāng)proxy服務(wù)器列表用完時(shí),刷新網(wǎng)頁(yè)獲得新列表
  • soup 中tag的next_sibling通常是空行滓玖。所以表面上相鄰的tag坪哄,需要寫(xiě)成tag.next_sibling.next_sibling來(lái)訪問(wèn)
  • requests.get()可以設(shè)置timeout參數(shù)作為等待秒數(shù)。 同時(shí)需要抓取requests.exceptions.ReadTimeout
  • ip 地址的正則表達(dá)式非常復(fù)雜势篡,直接搬運(yùn)網(wǎng)上的:r"(?:(?:25[0-5]|2[0-4]\d|((1\d{2})|([1-9]?\d))).){3}(?:25[0-5]|2[0-4]\d|((1\d{2})|([1-9]?\d)))")
  • 代理服務(wù)器網(wǎng)址必須帶有端口损姜,否則無(wú)法工作
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市殊霞,隨后出現(xiàn)的幾起案子摧阅,更是在濱河造成了極大的恐慌,老刑警劉巖绷蹲,帶你破解...
    沈念sama閱讀 210,978評(píng)論 6 490
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件棒卷,死亡現(xiàn)場(chǎng)離奇詭異顾孽,居然都是意外死亡,警方通過(guò)查閱死者的電腦和手機(jī)比规,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 89,954評(píng)論 2 384
  • 文/潘曉璐 我一進(jìn)店門(mén)若厚,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái),“玉大人蜒什,你說(shuō)我怎么就攤上這事测秸。” “怎么了灾常?”我有些...
    開(kāi)封第一講書(shū)人閱讀 156,623評(píng)論 0 345
  • 文/不壞的土叔 我叫張陵霎冯,是天一觀的道長(zhǎng)。 經(jīng)常有香客問(wèn)我钞瀑,道長(zhǎng)沈撞,這世上最難降的妖魔是什么? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 56,324評(píng)論 1 282
  • 正文 為了忘掉前任雕什,我火速辦了婚禮缠俺,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘贷岸。我一直安慰自己壹士,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,390評(píng)論 5 384
  • 文/花漫 我一把揭開(kāi)白布偿警。 她就那樣靜靜地躺著躏救,像睡著了一般。 火紅的嫁衣襯著肌膚如雪户敬。 梳的紋絲不亂的頭發(fā)上落剪,一...
    開(kāi)封第一講書(shū)人閱讀 49,741評(píng)論 1 289
  • 那天睁本,我揣著相機(jī)與錄音尿庐,去河邊找鬼。 笑死呢堰,一個(gè)胖子當(dāng)著我的面吹牛抄瑟,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播枉疼,決...
    沈念sama閱讀 38,892評(píng)論 3 405
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼皮假,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來(lái)了骂维?” 一聲冷哼從身側(cè)響起惹资,我...
    開(kāi)封第一講書(shū)人閱讀 37,655評(píng)論 0 266
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎航闺,沒(méi)想到半個(gè)月后褪测,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體猴誊,經(jīng)...
    沈念sama閱讀 44,104評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,451評(píng)論 2 325
  • 正文 我和宋清朗相戀三年侮措,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了懈叹。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 38,569評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡分扎,死狀恐怖澄成,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情畏吓,我是刑警寧澤墨状,帶...
    沈念sama閱讀 34,254評(píng)論 4 328
  • 正文 年R本政府宣布,位于F島的核電站庵佣,受9級(jí)特大地震影響歉胶,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜巴粪,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,834評(píng)論 3 312
  • 文/蒙蒙 一通今、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧肛根,春花似錦辫塌、人聲如沸。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 30,725評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至芭届,卻和暖如春储矩,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背褂乍。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 31,950評(píng)論 1 264
  • 我被黑心中介騙來(lái)泰國(guó)打工持隧, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人逃片。 一個(gè)月前我還...
    沈念sama閱讀 46,260評(píng)論 2 360
  • 正文 我出身青樓屡拨,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親褥实。 傳聞我的和親對(duì)象是個(gè)殘疾皇子呀狼,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,446評(píng)論 2 348

推薦閱讀更多精彩內(nèi)容