#-*-coding:utf-8-*-
'''目标: 实现可以指定不同URL列表,分组的XPATH和详情的XPATH,从不同页面上提取代理的IP,端口号和区域的通用爬虫;
步骤:
1.在base_ spider.py文件中,定义 一个BaseSpider类, 继承object
2.提供三个类成员变量:
urls:代理IP网址的URL的列表
group_ xpath:分组XPATH,获取包含代理IP信息标签列表的XPATH
detail. xpath:组内XPATH,获取代理IP详情的信息XPATH,格式为: {'ip':'xx', 'pot':'xx','area':'xx'}
3.提供初始方法,传入爬虫URL列表,分组XPATH,详情(组内)XPATH4.对外提供-个获取代理IP的方法,遍历URL列表,获取URL
根据发送请求,获取页面数据
解析页面,提取数据,封装为Proxy对象
返回Proxy对象列表'''
importrequestsimportsysfrom lxml importetree
sys.path.append("..") #提供要导入的模块路径,之前博客讲过怎么使用
sys.path.append("../..")from utils.http importget_requests_headersfrom domain importProxyclass BaseSpider(object): #定义一个最基础的爬虫,后面爬取专门网站的爬虫继承这个基础爬虫
urls =[]
group_xpath= '' #因为我们用的lxml模块解析页面,所以要传入分组xpath和细节xpath
detail_xpath = {} #这个细节xpath就是ip在页面的位置,端口在页面的位置等等
def __init__(self,urls=[],group_xpath='',detail_xpath={}):ifurls:
self.urls=urlsifgroup_xpath:
self.group_xpath=group_xpathifdetail_xpath:
self.detail_xpath=detail_xpathdefget_page_from_url(self,url):
response= requests.get(url,headers=get_requests_headers())#这个get_requests_headers方法是获取一个随机请求头,之前http.py模块定义过这个方法
returnresponse.contentdef get_first_list(self,li=[]):if len(li)!=0:returnli[0]else:return ''
defget_proxies_from_page(self,page):#这个就是把HTML页面给lxml,让它解析
element =etree.HTML(page)
trs=element.xpath(self.group_xpath)#print(trs)
for tr intrs:#tr.xpath(self.detail_xpath['ip'])因为这一部分返回的是一个列表,而且如果我们直接写
#tr.xpath(self.detail_xpath['ip'])[0],如果这个列表为空,他就会报错导致程序异常终止
ip = self.get_first_list(tr.xpath(self.detail_xpath['ip']))
port= self.get_first_list(tr.xpath(self.detail_xpath['port']))
area= self.get_first_list(tr.xpath(self.detail_xpath['area']))
proxy= Proxy(ip,port,area=area)print(proxy.__dict__) #这个dict函数就是把对象转化成字典类型输出,python内部函数
yield proxy #函数有了这个关键字,函数就是一个生成器函数。上篇博客讲过,会挂一下链接
defget_proxies(self):for url inself.urls:#print(url)
page =self.get_page_from_url(url)#print(page)
proxies =self.get_proxies_from_page(page)yield fromproxiesif __name__ == '__main__': #用于测试这个这个模块
#config = {
#'urls':{'http://www.ip3366.net/?stype=1&page={}'.format(i) for i in range(1,3)},
#'group_xpath':'//*[@id="list"]/table/tbody/tr',
#'detail_xpath':{
#'ip':'./td[1]/text()',
#'port':'./td[2]/text()',
#'area':'./td[6]/text()'
#}
#}
# #spider = BaseSpider(**config)
#for proxy in spider.get_proxies():
#print(proxy)
url = 'http://www.66ip.cn/4.html'response= requests.get(url,headers=get_requests_headers())print(response.content.decode('GBK'))