Shell curl 和 wget 使用代理IP

PySpider 简介
PySpider是一个国人编写的强大的网络爬虫系统并带有强大的WebUI。采用Python语言编写，分布式架构，支持多种数据库后端，强大的WebUI支持脚本编辑器、任务监视器，项目管理器以及结果查看器。
PySpider 来源于以前做的一个垂直搜索引擎使用的爬虫后端。我们需要从200个站点（由于站点失效，不是都同时啦，同时有100+在跑吧）采集数据，并要求在5分钟内将对方网站的更新更新到库中。所以，灵活的抓取控制是必须的。
同时，由于100个站点，每天都可能会有站点失效或者改版，所以需要能够监控模板失效，以及查看抓取状态。
为了达到5分钟更新，我们使用抓取最近更新页上面的最后更新时间，以此来判断页面是否需要再次抓取。
可见，这个项目对于爬虫的监控和调度要求是非常高的。

PySpider 中文网：http://www.pyspider.cn
PySpider 官网：http://docs.pyspider.org
PySpider 演示：http://demo.pyspider.org
PySpider 源码：https://github.com/binux/pyspider

PySpider 特性
python 脚本控制，可以用任何你喜欢的html解析包（内置 pyquery）
WEB 界面编写调试脚本、起停脚本、监控执行状态，查看活动历史，获取结果产出
数据存储支持MySQL、MongoDB、Redis、SQLite、 ElasticSearch; PostgreSQL 及 SQLAlchemy
队列服务支持RabbitMQ、Beanstalk、Redis、Kombu
支持抓取 JavaScript 的页面
组件可替换，支持单机/分布式部署，支持 Docker 部署
强大的调度控制，支持超时重爬及优先级设置
支持Python 2.{6, 7}, 3.{3, 4, 5, 6}

PySpider 安装
1） pip 安装
pip可以在以下版本的CPython下运行：2.6, 2.7, 3.1, 3.2, 3.3, 3.4 和 pypy.
pip可以在Unix/Linux、Mac OS X、Windows系统中运行.
a）脚本安装
python get-pip.py
如果 setuptools (或 distribute) 未安装， get-pip.py
会 自动为你安装 setuptools
如果需要升级 setuptools (或 distribute)，运行 pip install -U setuptools

b）命令安装
sudo apt-get install python-pip // Debian、Ubuntu
sudo yum install python-pip // CentOS、Redhat、Fedora

2）PhantomJS 安装
PhantomJS 是一个基于 WebKit 的服务器端 JavaScript API。它全面支持web而不需浏览器支持，其快速、原生支持各种Web标准：DOM 处理、CSS 选择器、JSON、Canvas 和 SVG。 PhantomJS 可以用于页面自动化、网络监测、网页截屏以及无界面测试等。支持Windows、Linux、Mac OS X等多操作系统。
PhantomJS 下载：http://phantomjs.org/download.html
PhantomJS不需要安装，解压后，配置环境变量后，便可直接使用，详见 PhantomJS 安装与开发
PhantomJS 安装命令：
sudo apt-get install phantomjs // Debian、Ubuntu
sudo pkg install phantomjs // FreeBSD
brew install phantomjs // Mac OS X

3）PySpider 安装
PySpider 安装的依赖包 requirements.txt
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

Flask>

0.10

Jinja2>

2.7

chardet>

2.2

cssselect>

0.9

lxml

pycurl

pyquery

requests>

2.2

tornado>

3.2

mysql

connector

python>

1.2
.
2

pika>

0.9
.
14

pymongo>

2.7
.
2

unittest2>

0.5
.
1

Flask

Login>

0.2
.
11

u

msgpack

python>

1.6

click>

3.3

SQLAlchemy>

0.9
.
7

six>

1.5
.
0

amqp>

1.3
.
0
,<
2.0

redis

redis

py

cluster

kombu

psycopg2

elasticsearch

tblib

PySpider 安装命令：
pip install pyspider
Ubuntu 用户，请提前安装好以下支持类库：
sudo apt-get install python python-dev python-distribute python-pip libcurl4-openssl-dev libxml2-dev libxslt1-dev python-lxml

4）验证安装成功
控制台输入命令：
pyspider all
使用浏览器访问 http://localhost:5000

python-pyspider-an-zhuang-yu-kai-fa-01

正常出现 PySpider 的页面，那证明一切 OK

PySpider 示例
1）示例1：爬取米扑科技首页（mimvp.com）
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

!/usr/bin/env python

-- encoding: utf-8 --

Created on 2017-07-28 13:44:53

Project: pyspiderdemo

mimvp.com

from
pyspider.libs.base_handler
import

class
Handler(BaseHandler):

crawl_config

{

}

@every
(minutes
=
24

60
)

def
on_start(
self
):

self
.crawl(
'mimvp.com'
, callback
=
self
.index_page)

@config
(age
=
10

24

60

60
)

def
index_page(
self
, response):

for
each
in
response.doc(
'a[href^="http"]'
).items():

self
.crawl(each.attr.href, callback
=
self
.detail_page)

@config
(priority
=
2
)

def
detail_page(
self
, response):

return
{

"url"
: response.url,

"title"
: response.doc(
'title'
).text(),

}

运行结果：

python-pyspider-an-zhuang-yu-kai-fa-02

2）示例2：设置代理爬取网页
PySpider 支持使用代理爬取网页，其使用代理有两种方式：
方式1：
--phantomjs-proxy TEXT phantomjs proxy ip:port
启动命令例如：
pyspider --phantomjs-proxy "188.226.141.217:8080" all

方式2：
设置代理全局变量，如下图：
crawl_config = { 'proxy' : '188.226.141.217:8080'}
示例代码：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

!/usr/bin/env python

-- encoding: utf-8 --

Created on 2017-07-28 14:13:14

Project: mimvp_proxy_pyspider

mimvp.com

from
pyspider.libs.base_handler
import

class
Handler(BaseHandler):

crawl_config

{

'proxy'
:
'http://188.226.141.217:8080'
,

http

'proxy'
:
'https://182.253.32.65:3128'
# https

}

@every
(minutes
=
24

60
)

def
on_start(
self
):

self
.crawl(
'http://proxy.mimvp.com/exist.php'
, callback
=
self
.index_page)

@config
(age
=
10

24

60

60
)

def
index_page(
self
, response):

for
each
in
response.doc(
'a[href^="http"]'
).items():

self
.crawl(each.attr.href, callback
=
self
.detail_page)

@config
(priority
=
2
)

def
detail_page(
self
, response):

return
{

"url"
: response.url,

"title"
: response.doc(
'title'
).text(),

}

运行结果：

python-pyspider-an-zhuang-yu-kai-fa-03

参考推荐：
PhantomJS 安装与开发
Python requests 安装与开发
Python scrapy 安装与开发
Node.js 安装与开发
Node.js SuperAgent 安装与开发
Python3 urllib 用法详解