(转）新手写爬虫v2.5（使用代理的异步爬虫）
开始
开篇：爬代理ip v2.0(未完待续），实现了获取代理ips，并把这些代理持久化（存在本地）。同时使用的是tornado的HTTPClient的库爬取内容。
中篇：开篇主要是获取代理ip；中篇打算使用代理ip，同时优化代码，并且异步爬取内容。所以接下来，就是写一个：异步，使用代理的爬虫。定义为:爬虫 v2.5
为什么使用代理
在开篇中我们爬来的代理ip怎么用？
在需要发送请求的时候，需要把请求，先发送到代理服务器（通过代理ip和端口)，再由代理服务器请求目标网站。目标网站返回响应的时候也是先返回给代理服务器。所以代理（代理服务器）做的事情就是转发请求，在转发请求的时候有三种方式，也就是分别对应着，透明代理、匿名代理、高匿名代理，解释请看开篇。
所以，如果使用高匿名代理，就不会暴露真实的ip，目标网站只知道代理的ip。让爬虫循环使用把爬来的高匿名ip，从而降低，单一ip爬虫的被封ip和访问频率的问题。
使用代理
1.事情要一步步的做，首先我需要验证代理IP是否可用！最简单的方法就是用Request库，下面的例子，我就用Request官方文档的示例：
import requests
# 测试代理是否可用的URL，TEST_PROXY这个网站只返回访问者的ip TEST_PROXY = 'http://icanhazip.com' proxies = { "http": "http://10.10.1.10:3128", "https": "http://10.10.1.10:1080", } requests.get(TEST_PROXY, proxies=proxies)2.现在把爬取代理的方法和测试代理是否可用的方法，写成一个Proxy类。Proxy类做的事情就是‘返回经过测试的可用代理’，整理后代码如下：
class Proxy(object): """ 获取代理ips """ def __init__(self, url, **kwargs): self.response = Spider(url, **kwargs).get() def test_proxy(self): """ 返回经测试可用的代理 """ fail_num = 1 success_num = 1 success_proxy = [] for ip_info in self.ips_info: proxy_str = ip_info['proxy_host']+':'+ip_info['proxy_port'] proxies = dict(http='http://'+proxy_str) try: requests.get("http://icanhazip.com", timeout=5, proxies=proxies) except Exception: print '失败数：{}'.format(fail_num) fail_num += 1 continue else: print '成功数：{}！'.format(success_num) success_num += 1 success_proxy.append(ip_info) # 返回测试过，可用的代理 print '结束：成功获取{}个代理'.format(len(success_proxy)) return success_proxy @property def ips_info(self): """ 清理内容得到IP信息 """ ips_list = [] html_body = self.response.body soup = BeautifulSoup(html_body, "html.parser") ip_list_table = soup.find(id='ip_list') for fi_ip_info in ip_list_table.find_all('tr'): ip_detail = fi_ip_info.find_all('td') if ip_detail: # 注意：为什么我用list和str方法？否则就是bs4对象！！！ ips_list.append(dict(proxy_host=str(list(ip_detail)[2].string), proxy_port=str(list(ip_detail)[3].string))) return ips_list3.现在有Proxy类和Content类（开篇存储代理），下面写一个方法，把得到的，可用的代理ip，存到数据库中或许文本中。Content类，我修改一些地方，代码整理如下：
def get_proxy_ips(): """ 获取代理ips，并存储 """ try: proxy = Proxy(url=URL, headers=CLIENT_CONFIG['headers']) ips_list = proxy.test_proxy() print ips_list except HTTPError as e: print '{}:Try again!!!'.format(e) get_proxy_ips() else: # 存到数据库中 t = Content(models.Proxy) for ip_data in ips_list: t.save(ip_data) # 默认存到运行运行脚本的目录，文件名：data.txt t = Content() t.save_to_file(ips_list)好了，下面就要开始写异步的代理爬虫了。
异步的代理爬虫
tornado的所有HTTPClient中，只有CurlAsyncHTTPClient支持代理。具体的实现逻辑请查看curl_httpclient源码，它也支持异步，所以接下来就是使用CurlAsyncHTTPClient的get方法，带着代理的host和port（注意：不需要指明协议)。代码如下：
@gen.coroutine
def main(): flag = 1 ips_list = models.Proxy.find_all() for ip in ips_list: while 1: print 'proxy_ip {}:{}'.format(ip['proxy_host'], ip['proxy_port']) try: s = Spider(TEST, headers=CLIENT_CONFIG['headers'], proxy_host=ip['proxy_host'], request_timeout=5, proxy_port=int(ip['proxy_port'])) response = yield s.async_get() print 'NO:{}: status {}'.format(flag, response.code) except HTTPError, e: print '换代理，错误信息：{}'.format(e) break else: flag += 1 if __name__ == '__main__': get_proxy_ips() IOLoop().run_sync(main)优化改进
写完这个主爬虫，我思考了一下，那是否test_proxy方法是否也可以用异步呢？还有就是不应该使用requests库，因为tornado使用的PycURL库，同时我去看官方文档的时候关于速度的说明，PycURL文档
Speed - libcurl is very fast and PycURL, being a thin wrapper above libcurl, is very fast as well. PycURL was benchmarked to be several times faster than requests.
最后，支持直接用行脚本，兼容不使用数据库。全部代码如下：
#!/usr/bin/env python
# -*- coding:utf-8 -*- # # Author : XueWeiHan # E-mail : [email protected] # Date : 16/3/31 下午4:21 # Desc : 爬虫 v2.5 from bs4 import BeautifulSoup from tornado.httpclient import HTTPRequest, HTTPClient, HTTPError from tornado.curl_httpclient import CurlAsyncHTTPClient from tornado import gen from tornado.ioloop import IOLoop try: from model import db from model import models from config import configs NO_DB = 1 # 连接数据库 db.create_engine(**configs['db']) except ImportError: # NO_DB表示不用数据库 NO_DB = 0 print "Can't use db" from client_config import CLIENT_CONFIG # 测试用的访问目标（github API） TEST = 'https://api.github.com/search/users?q=tom+repos:%3E42+followers:%3E1000' # 测试代理是否可用的URL TEST_PROXY = 'http://icanhazip.com' # 获取代理的目标网站 URL = 'http://www.xicidaili.com/nn/' # 高匿ip #URL = 'http://www.xicidaili.com/nt/' # 透明ip class Spider(object): """ 爬 """ def __init__(self, url, **kwargs): self.request = HTTPRequest(url, **kwargs) @gen.coroutine def async_get(self, **kwargs): """ 异步get """ ## 注意：只有CurlAsyncHTTPClient支持代理，所以这里用它 response = yield CurlAsyncHTTPClient().fetch(self.request, **kwargs) raise gen.Return(response) def get(self, **kwargs): """ 同步get """ return HTTPClient().fetch(self.request, **kwargs) def post(self): """ post暂时没用，先占坑 """ self.request.method = "POST" return HTTPClient().fetch(self.request) class Content(object): """ 存储(持久化)相关操作 """ def __init__(self, model=None): self.model = model def save(self, save_dict=None):