Python搭建代理IP池存儲IP

上一文寫了如何從代理服務網站提取 IP，本文就講解如何存儲 IP，畢竟代理池還是要有一定量的 IP 數量纔行。存儲的方式有很多，直接一點的可以放在一個文本文件中，但操作起來不太靈活，而我選擇的是 MySQL 數據庫，因爲數據庫便於管理而且功能強大，當然你還可以選擇其他數據庫，比如 MongoDB、Redis 等。
使用的庫：pymysql
定義規則
數據庫存儲的主要對象是各個 IP，首先需要保證不重複，另外還需要標 IP 的可用情況，而且需要動態實時處理每個 IP，因此還需要定義一個分數字段，分數是可以重複的，最好是整數類型，每個 IP 都有一個分數，表現其可用性
對於代理池來說，分數可以作爲我們判斷一個代理可用不可用的標誌，我們將設置一個最高分（滿分，值由自己設置），代表可用，0 設爲最低分，代表不可用。從代理池中獲取代理的時候會先從滿分 IP 中隨機獲取一個，注意這裏是隨機，這樣可以保證每個可用 IP 都會被調用到，如果沒有滿分的就從所有 IP 從隨機選一個
分數規則如下：
滿分爲可用，檢測器會定時循環檢測每個 IP 的可用情況，一旦檢測到有可用的 IP 就立即置爲滿分，檢測到不可用就將分數減 1，減至 0 後移除。
新獲取的代理添加時將分數置爲 10，當測試可行立即置 100，不可行分數減 1，減至 0 後移除
添加設置
先在一個文件中定義一些配置信息，如數據庫的設置、一些不變量如滿分的數值等
setting.py

# 數據庫地址
HOST = '127.0.0.1'
# MySql端口
MYSQL_PORT = 3306
# MySQl用戶名、密碼
MYSQL_USERNAME = '***'
MYSQL_PASSWORD = '***'
# 數據庫名
SQL_NAME = 'test'
 
# 代理等級
MAX_SCORE = 30
MIN_SCORE = 0
INITIAL_SCORE = 10
 
# 代理池數量界限
POOL_UPPER_THRESHOLD = 1000

MAX_SCORE、MIN_SCORE、INITIAL_SCORE 分別代表最大分數、最小分數、初始分數
定義方法
定義一個類來操作數據庫的有序集合，內含一些方法來實現分數的設置、代理的獲取等
db.py

import pymysql
from error import PoolEmptyError
from setting import *
from random import choice
import re
 
 
class MySqlClient(object):
 # 初始化
 def __init__(self, host=HOST, port=MYSQL_PORT, username=MYSQL_USERNAME, password=MYSQL_PASSWORD, sqlname=SQL_NAME):
  self.db = pymysql.connect(host=host, user=username, password=password, port=port, db=sqlname)
  self.cursor = self.db.cursor()
 
 # 添加代理IP
 def add(self, ip, score=INITIAL_SCORE):
  sql_add = "INSERT INTO PROXY (IP,SCORE) VALUES ('%s', %s)" % (ip, score)
  if not re.match('\d+\.\d+\.\d+\.\d+\:\d+', ip):
   print('代理不符合規範', ip, '丟棄')
   return
  if not self.exists(ip):
   self.cursor.execute(sql_add)
   self.db.commit()
 
 # 減少代理分數
 def decrease(self, ip):
  sql_get = "SELECT * FROM PROXY WHERE IP='%s'" % (ip)
  self.cursor.execute(sql_get)
  score = self.cursor.fetchone()[1]
  print(score)
  if score and score > MIN_SCORE:
   print('代理', ip, '當前分數', score, '減1')
   sql_change = "UPDATE PROXY SET SCORE = %s WHERE IP = '%s'" % (score-1, ip)
  else:
   print('代理', ip, '當前分數', score, '移除')
   sql_change = "DELETE FROM PROXY WHERE IP = %s" % (ip)
  self.cursor.execute(sql_change)
  self.db.commit()
 
 # 分數最大化
 def max(self, ip):
  print('代理', ip, '可用，設置爲', MAX_SCORE)
  sql_max = "UPDATE PROXY SET SCORE = %s WHERE IP = '%s'" % (MAX_SCORE, ip)
  self.cursor.execute(sql_max)
  self.db.commit()
   
 # 隨機獲取有效代理
 def random(self):
  # 先從滿分中隨機選一個
  sql_max = "SELECT * FROM PROXY WHERE SCORE=%s" % (MAX_SCORE)
  if self.cursor.execute(sql_max):
   results = self.cursor.fetchall()
   return choice(results)[0]
  # 沒有滿分則隨機選一個
  else:
   sql_all = "SELECT * FROM PROXY WHERE SCORE BETWEEN %s AND %s" % (MIN_SCORE, MAX_SCORE)
   if self.cursor.execute(sql_all):
    results = self.cursor.fetchall()
    return choice(results)[0]
   else:
    raise PoolEmptyError
 
 # 判斷是否存在
 def exists(self, ip):
  sql_exists = "SELECT 1 FROM PROXY WHERE IP='%s' limit 1" % ip
  return self.cursor.execute(sql_exists)
   
 # 獲取數量
 def count(self):
  sql_count = "SELECT * FROM PROXY"
  return self.cursor.execute(sql_count)
 
 # 獲取全部
 def all(self):
  self.count()
  return self.cursor.fetchall()
 
 # 批量獲取
 def batch(self, start, stop):
  sql_batch = "SELECT * FROM PROXY LIMIT %s, %s" % (start, stop - start)
  self.cursor.execute(sql_batch)
  return self.cursor.fetchall()

方法作用：
init()：初始化的方法，參數是 MySQL 的連接信息，默認的連接信息已經定義爲常量，在 init() 方法中初始化建立 MySQL 連接。這樣當 MySqlClient 類初始化的時候就建立了 MySQL 的連接
add()：向數據庫添加代理並設置分數，默認的分數是 INITIAL_SCORE 也就是 10，返回結果是添加的結果
decrease()：在 檢測無效的時候設置分數減 1 的方法，傳入代理，然後將此代理的分數減 1，如果達到最低值就刪除
max()：將代理的分數設置爲 MAX_SCORE，也就是當 IP 有效時的設置
random()：隨機獲取 IP 的方法，首先獲取滿分的 IP，然後隨機選擇一個返回，如果不存在滿分的 IP，則隨機選擇一個返回，否則拋出異常
exists()：判斷 IP 是否存在於數據庫中
count()：返回當前 IP個數
all()：返回所有的 IP，供檢測使用
batch()：返回數據庫中從第 start 行開始（從0開始數）的共 stop-start 行數據
抓取保存
當數據庫設置好了之後，就可以直接把抓取的 IP 直接放在數據庫中了
直接把前面用到的抓取代碼更改一下就行了
getter.py

from crawler import Crawler
from db import MySqlClient
from setting import *
import sys
 
 
class Getter():
 def __init__(self):
  self.mysql = MySqlClient()
  self.crawler = Crawler()
 
 # 判斷數量是否足夠
 def is_over_threshold(self):
  if self.mysql.count() >= POOL_UPPER_THRESHOLD:
   return True
  else:
   return False
  
 def run(self):
  print('獲取器開始執行')
  if not self.is_over_threshold():
   for callback_label in range(self.crawler.__CrawlFuncCount__):
    callback = self.crawler.__CrawlFunc__[callback_label]
    # 獲取代理
    all_ip = self.crawler.get_proxies(callback)
    sys.stdout.flush()
    for ip in all_ip:
     self.mysql.add(ip)
 
 
if __name__ == '__main__':
 get = Getter()
 get.run()

運行即可保存到數據庫中後續獲取使用