Python爬虫：使用MySQL维护IP代理池（转载）

文章目录
前言

1. 配置PyCharm
2. 函数介绍
3. 代码实现
   前言
     免责声明：
       本篇博文所涉及的内容仅供学习，请勿将其用于非法用途！！！

在这里插入图片描述

上篇博客我们搭建的IP池是将其放在了picklepickle文件里面，通过pickle库直接将可用的IP列表以二进制形式直接写入文件，用的时候再读取，也是挺方便的。不过，维护起来就不是那么容易了，因为有些IP有时候可以用，有时候不可以用，我们不能只通过一次测试就判断它能不能用，多给次机会嘛。所以，我们就是用了数据库。
  本篇我们就使用MySQL数据库来维护我们上篇博客所搭建的IP池。

在这里插入图片描述

1. 配置PyCharm
     为了方便写SQL代码及实时关注数据库的信息，我们先配置一下PyCharm。
     找到PyCharm右边栏的Database，点击它，然后它的界面会弹出来，点击+号，选择数据库。

在这里插入图片描述
  如图示操作，找到我们的小鲸鱼MySQL，点击进入。

在这里插入图片描述
  通过这个界面就可以配置MySQL了，这里有几个填写的我已经作了标注，简单介绍一下：

Name：本次的配置的名字，这里我填的是spider，也可以使用默认名@localhost；

Host：数据库的IP地址，因为我的MySQL在本地，所以这里我填的就是localhost；

User：数据库的用户名；

Password：数据库的密码；

Database：数据库的名字，我这里提前建了一个名为spider的数据库；

URL：这里我们在后面加上?serverTimezone=UTC，否则的话等会儿我们连接时会出现Server returns invalid timezone. Go to ‘Advanced’ tab and set ‘serverTimezone’ property manually.错误，或者按照错误提示，去Advanced选项配置一下Advanced。

配置完后就点击Test Connection按钮，如果提示缺少驱动文件，直接在弹出的对话框点击下载即可，不出意外的话，就会在下面出现连接成功的信息。

在这里插入图片描述
  插入数据后，按图示操作刷新一下，然后双击数据表，就可以看到数据表中的信息了，美滋滋ヾ(@▽@)ノ。

在这里插入图片描述
在这里插入图片描述

2. 函数介绍
     这里我们通过pymysql库来操作MySQL数据库，我的数据库版本是8.0.16，还是去年安装的，这里不再叙述其安装步骤了，问问度娘。
     维护我们代理IP池的大致流程就是：先建立一个数据表ipproxy，包含有ip字段、score字段，因为有些IP有时候可以用，有时候不可以，所以这里对每个要存入数据库的IP设置一个分数，我这里设置的最高分是5，也就是质量最高。如果我们在使用过程中发现IP不能用了，就将其分数减1；如果可以用，且分数小于5，就加1，然后定期清理分数为0的IP。

函数名 功能
test_newip(ip_, url, ip_ok) 测试新爬取的IP，参数ip_ip_为新爬取的IP列表，urlurl为要测试网站，ip_okip_ok为返回的结果列表，格式是(ip,score)(ip,score)
test_mysqlip(ip_, url, ip_ok) 测试数据库里的IP，参数ip_ip_为数据库里的IP列表，格式是(ip,score)(ip,score)，urlurl为要测试网站，ip_okip_ok为返回的结果列表，格式同ip_ip_$
get_mysqlip() 获取数据库里的IP
update_ipscore(ip_list) 更新数据库里IP的分数
delete_ip() 删除数据库里分数为0的IP
delete_ideticalip() 去重处理，将重复的IP删除，只保留数据库中第一个
insert_ip(ip_list) 将测试后的新爬取的IP保存到数据库
insret_mysqlip(urls) IP爬取、测试、插入一体化函数
update_mysqlip(urls) IP更新、去零、去重一体化函数
3. 代码实现
  爬取代理IP的代码在上篇博客就已经介绍，这里只贴出了增加的数据库操作代码及修改后的IP测试代码。

import pymysql
import requests
from bs4 import BeautifulSoup
import pickle
import aiohttp
import asyncio
import time
import random

async def test_newip(ip_, url, ip_ok):
headers = {‘User-Agent’: 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) ’
‘AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36’}
conn = aiohttp.TCPConnector(verify_ssl=False)
async with aiohttp.ClientSession(connector=conn) as session:
print('正在测试ip: ’ + ip_)
try:
proxy_ip = ‘http://’ + ip_
async with session.get(url=url, headers=headers, proxy=proxy_ip, timeout=15) as response:
if response.status == 200:
print('代理可用: ’ + ip_)
ip_ok.append((ip_, 5))
else:
print('请求响应码不合法 ’ + ip_)
except:
ip_ok.append((ip_, 4))
print(‘代理请求失败’, ip_)

async def test_mysqlip(ip_, url, ip_ok):
headers = {‘User-Agent’: 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) ’
‘AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36’}
conn = aiohttp.TCPConnector(verify_ssl=False)
async with aiohttp.ClientSession(connector=conn) as session:
print('正在测试ip: ’ + ip_[0])
try:
proxy_ip = ‘http://’ + ip_[0]
async with session.get(url=url, headers=headers, proxy=proxy_ip, timeout=15) as response:
if response.status == 200:
print('ip可用: ’ + ip_[0])
new_score = 5 if ip_[1] == 5 else ip_[1] + 1
ip_ok.append((ip_[0], new_score))
else:
print('请求响应码不合法 ’ + ip_[0])
except:
new_score = 0 if ip_[1] == 0 else ip_[1] - 1
ip_ok.append((ip_[0], new_score))
print(‘代理请求失败’, ip_[0])

def get_mysqlip():
db = pymysql.connect(host=‘localhost’, port=3306, user=‘用户名’, password=‘密码’,
database=‘数据库名’, charset=‘utf8’)
cursor = db.cursor()
sql = ‘select ip, score from ipproxy’
try:
cursor.execute(sql)
mysql_ip = list(cursor.fetchall())
return mysql_ip
except Exception as err:
print(‘查询错误!!!’)
print(err)

def update_ipscore(ip_list):
db = pymysql.connect(host=‘localhost’, port=3306, user=‘用户名’, password=‘密码’,
database=‘数据库名’, charset=‘utf8’)
cursor = db.cursor()
for ip_ in ip_list:
sql = ‘update ipproxy set score=%s where ip=%s’
cursor.execute(sql, (ip_[1], ip_[0]))
db.commit()
cursor.close()
db.close()

def delete_ip():
db = pymysql.connect(host=‘localhost’, port=3306, user=‘用户名’, password=‘密码’,
database=‘数据库名’, charset=‘utf8’)
cursor = db.cursor()
sql = ‘delete from ipproxy where score=0’
try:
cursor.execute(sql)
except Exception as err:
print(‘删除错误!!!’)
print(err)
db.commit()
cursor.close()
db.close()

def delete_ideticalip():
db = pymysql.connect(host=‘localhost’, port=3306, user=‘用户名’, password=‘密码’,
database=‘数据库名’, charset=‘utf8’)
cursor = db.cursor()
sql = ‘delete from ipproxy where ip in (select ip from (select ip from ipproxy group by ip having count()>1) s1)’
'and id not in (select id from (select id from ipproxy group by ip having count()>1) s2)’
try:
cursor.execute(sql)
except Exception as err:
print(‘删除错误!!!’)
print(err)
db.commit()
cursor.close()
db.close()

def insert_ip(ip_list):
# 新爬取的ip直接插入数据库
db = pymysql.connect(host=‘localhost’, port=3306, user=‘用户名’, password=‘密码’,
database=‘数据库名’, charset=‘utf8’)
cursor = db.cursor()
sql = ‘create table if not exists ipproxy(’
'id int not null primary key auto_increment, ’
'ip char(21) not null , ’
‘score int not null ) default charset utf8’
cursor.execute(sql)

try:
    sql = 'insert into ipproxy (ip, score) values (%s, %s)'
    cursor.executemany(sql, ip_list)
    # cursor.execute('drop table ipproxy')
except Exception as err:
    print('插入错误!!!')
    print(err)
db.commit()
cursor.close()
db.close()

def insret_mysqlip(urls):
ip_list1 = get_66ip()
ip_list2 = get_kaixinip()
ip_list3 = get_goubanjiaip()
ip_list = list(set(ip_list1 + ip_list2 + ip_list3))
print(‘已做去重处理!’)

ip_ok = []
print('开始测试新爬取的ip: ')
try:
    loop = asyncio.get_event_loop()
    for i in range(0, len(ip_list), 10):
        proxies_ip = ip_list[i: i + 10]
        tasks = [test_newip(proxy_ip, random.choice(urls), ip_ok) for proxy_ip in proxies_ip]
        loop.run_until_complete(asyncio.wait(tasks))
        time.sleep(3)
except Exception as err:
    print('发生错误:', err.args)

insert_ip(ip_ok)
print('数据保存完毕!')

def update_mysqlip(urls):
ip_list = get_mysqlip()
ip_ok = []
print('开始测试新爬取的ip: ')
try:
loop = asyncio.get_event_loop()
for i in range(0, len(ip_list), 10):
proxies_ip = ip_list[i: i + 10]
tasks = [test_mysqlip(proxy_ip, random.choice(urls), ip_ok) for proxy_ip in proxies_ip]
loop.run_until_complete(asyncio.wait(tasks))
time.sleep(3)
except Exception as err:
print(‘发生错误:’, err.args)

update_ipscore(ip_ok)
print('数据更新完毕!')

delete_ip()
print('已删除score为0的ip!')

delete_ideticalip()
print('已做去重处理!')

if name == ‘main’:
urls = [‘https://blog.csdn.net/qq_42730750/article/details/107868879’,
‘https://blog.csdn.net/qq_42730750/article/details/107931738’,
‘https://blog.csdn.net/qq_42730750/article/details/107869022’,
‘https://blog.csdn.net/qq_42730750/article/details/108016855’,
‘https://blog.csdn.net/qq_42730750/article/details/107703589’,
‘https://blog.csdn.net/qq_42730750/article/details/107869233’,
‘https://blog.csdn.net/qq_42730750/article/details/107869944’,
‘https://blog.csdn.net/qq_42730750/article/details/107919690’]

insret_mysqlip(urls)
update_mysqlip(urls)

原文链接：https://blog.csdn.net/qq_42730750/article/details/108026476?utm_medium=distribute.pc_feed.none-task-blog-personrec_tag-8.nonecase&depth_1-utm_source=distribute.pc_feed.none-task-blog-personrec_tag-8.nonecase&request_id=5f384d5bb51ffe58eedc1bac