Python爬虫：使用MySQL维护IP代理池

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！！！

  上篇博客我们搭建的IP池是将其放在了$pickle$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。

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。

  如图示操作，找到我们的小鲸鱼MySQL，点击进入。

  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。

  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。

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$ip\_$为新爬取的IP列表，$url$为要测试网站，$ip\_ok$为返回的结果列表，格式是$(ip,score)$
test_mysqlip(ip_, url, ip_ok)	测试数据库里的IP，参数$ip\_$为数据库里的IP列表，格式是$(ip,score)$，$url$为要测试网站，$ip\_ok$为返回的结果列表，格式同$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)