数据库模块-Python爬虫之构建代理池(一)

之前(Python爬虫之构建代理池)我们已经说过将代理数据使用Redis进行存储管理,我们需要一个数据库模块来和Redis进行交互操作,管理代理池中的代理。如果你还没有做好准备工作,请先移步Python爬虫之构建代理池。

设计思路

我们的代理池中存储着大量的代理,这些代理质量性参差不齐,有的代理可能一开始可以用,后来却不可用了。我们从代理池中获取代理时,应该优先返回那些可用性高的代理,其次,对于长期不可用的代理,应该将其从代理池中清除。
所以我们可以给代理进行评分,可用性越高的代理,评分越高,对于评分低于某一标准的代理进行删除,我们可以这样设计:

  • 代理的最高评分我们设置为100,100代表稳定可用的代理。
  • 当代理初次被加入代理池时,我们给的初始评分60。
  • 如果代理在一次检测中可用,立马将代理分数置于100。
  • 如果代理在一次检测中不可用,将代理的分数减1,当代理分数小于50时,将代理删除。

Tip:这个分数标准可以自己进行设定。

开发

MyProxyPool项目中新建redisdb.py

import redis
from random import choice
import re

# ============= 分数配置 =================
# 最大分数
MAX_SCORE = 100
# 最小分数
MIN_SCORE = 50
# 初始分数
INIT_SCORE = 60

# ============= redis配置 =================
# 主机
REDIS_HOST = 'localhost'
# 端口
REDIS_PORT = 6379
# 密码
REDIS_PASSWORD = None
# 键
REDIS_KEY = 'proxies'


class RedisCli:
    def __init__(self, host=REDIS_HOST, port = REDIS_PORT, password = REDIS_PASSWORD):
        '''
        初始化
        :param host: redis地址
        :param port: redis端口
        :param password: redis密码
        '''
        self.db = redis.StrictRedis(host=host, port=port, password=password, decode_responses=True)

    def add(self, proxy, score=INIT_SCORE):
        '''
        添加代理,设置默认分数
        :param proxy: 代理
        :param score: 分数
        :return: 添加结果
        '''
        # 正则匹配代理格式是否正确
        if not re.match(r'\d+.\d+.\d+.\d+:\d+', proxy):
            print('代理 %s 无效 ==> 丢弃' % proxy)
            return
        # 判断代理池中是否已经存在
        if not self.db.zscore(REDIS_KEY, proxy):
            # 添加代理
            print('新增代理 %s ' % proxy)
            return self.db.zadd(REDIS_KEY, score, proxy)

    def random(self):
        '''
        随机获取有效代理
        :return: 随机代理
        '''
        # 尝试获取最高分数的代理集合
        result = self.db.zrangebyscore(REDIS_KEY,MAX_SCORE,MAX_SCORE)
        if len(result):
            # 如果有最高分数的代理,随机选择返回
            return choice(result)
        else:
            # 获取分数排名前一百的代理
            result = self.db.zrevrange(REDIS_KEY, 0, 100)
            if len(result):
                # 如果有,随机返回
                return choice(result)
            else:
                return None

    def decrease(self, proxy):
        '''
        将代理值减一分,分数小于最小值时,移除代理。
        :param proxy: 代理
        :return: 修改后的代理分数
        '''
        score = self.db.zscore(REDIS_KEY, proxy)
        if score and score > MIN_SCORE:
            # 如果分数大于最低分,将分数减一
            print('代理 %s 当前分数 %d ==> 减1 ==> %d' % (proxy, score, score - 1))
            return self.db.zincrby(REDIS_KEY, proxy, -1)
        else:
            # 否则移除代理
            print('代理 %s 当前分数 %d ==> 移除' % (proxy, score))
            return self.db.zrem(REDIS_KEY, proxy)

    def exists(self, proxy):
        '''
        代理是否存在
        :param proxy: 代理
        :return: 是否存在
        '''
        return self.db.zscore(REDIS_KEY, proxy) is not None

    def set_max(self, proxy):
        '''
        将代理设置为最大分数
        :param proxy: 代理
        :return: 设置结果
        '''
        print('代理 %s 可用 ==> 设置为 %d' % (proxy, MAX_SCORE))
        return self.db.zadd(REDIS_KEY, MAX_SCORE, proxy)

    def count(self):
        '''
        获取代理数量
        :return: 数量
        '''
        return self.db.zcard(REDIS_KEY)

    def all(self):
        '''
        获取全部代理
        :return: 全部代理
        '''
        return self.db.zrangebyscore(REDIS_KEY, MIN_SCORE, MAX_SCORE)


if __name__ == '__main__':
    # 进行一些测试
    redis_cli = RedisCli()
    proxy = '118.25.220.214:3128'
    redis_cli.add(proxy)
    redis_cli.set_max(proxy)
    redis_cli.decrease(proxy)
    print(redis_cli.exists(proxy))
    print(redis_cli.count())
    print(redis_cli.all())
    redis_cli.add('140.227.60.114:3128')
    redis_cli.add('213.128.7.72:53281')
    redis_cli.add('37.187.149.129:1080')
    redis_cli.set_max('140.227.60.114:3128')
    print(redis_cli.random())


这里我们使用了Redis 有序集合(sorted set):

  • Redis 有序集合和集合一样也是string类型元素的集合,且不允许重复的成员。
  • 不同的是每个元素都会关联一个double类型的分数。redis正是通过分数来为集合中的成员进行从小到大的排序。
  • 有序集合的成员是唯一的,但分数(score)却可以重复。
  • 集合是通过哈希表实现的,所以添加,删除,查找的复杂度都是O(1)。 集合中最大的成员数为 232 - 1 (4294967295, 每个集合可存储40多亿个成员)。

本节代码戳我

你可能感兴趣的:(数据库模块-Python爬虫之构建代理池(一))