Pycharm制作爬虫代码模板
lhys666 人气:0写作背景
最近本菜鸡有几个网站想要爬,每个爬虫的代码不一样,但 有某种联系,可以抽出一部分通用的代码制成模板,减少代码工作量,于是就有了这篇文章。
如果觉得我这篇文章写的好的话,能不能给我 点个赞 ,评论 、收藏 一条龙(☆▽☆)。如果要点个 关注 的话也不是不可以。
如果 有什么问题,还 请各位大佬提出,不胜感激。
爬虫代码
我的爬虫代码都是使用的 自己 写的 多线程。
因为我的代码能力很差,所以如果代码有哪里让各位大佬倍感不适,请及时在评论区 指出,谢谢各位大佬。
我的代码如下:
#!/usr/bin/python3 # -*- coding=utf-8 -*- # @Author : lhys # @FileName: proxy_tool.py import requests import threading timeout = 300 lock = threading.Lock() # 请求头用自己的 headers = { '': '' } class MyProxy: def __init__(self, proxy_api='', proxy_server='', max_use=5000, try_count=5): if not (proxy_api or proxy_server): raise TypeError('Proxy_api and proxy_server cannot be empty at the same time.') self.proxies = None if not proxy_server else { 'http': proxy_server, 'https': proxy_server } # 代理API self.proxy_api = proxy_api # 代理 IP 最大使用次数 self.max_use = max_use # 测试代理 IP 次数,超过次数即认为代理 IP 不可用 self.try_count = try_count # 是否爬虫请求出错,如果出错,直接更换 IP self.flag = 0 # 代理 IP 剩余生存时间 self.proxy_ttl = 0 # 各种锁 self.lock = threading.Lock() self.ttl_lock = threading.Lock() self.flag_lock = threading.Lock() def set_flag(self): self.flag_lock.acquire() self.flag = 1 self.flag_lock.release() def get_flag(self): self.flag_lock.acquire() flag = self.flag self.flag_lock.release() return flag def decrease_ttl(self): self.ttl_lock.acquire() self.proxy_ttl -= 1 self.ttl_lock.release() def get_ttl(self): self.ttl_lock.acquire() ttl = self.proxy_ttl self.ttl_lock.release() return ttl def set_ttl(self): self.ttl_lock.acquire() self.proxy_ttl = self.max_use self.ttl_lock.release() def get_proxy(self): self.lock.acquire() proxy = self.proxies self.lock.release() return proxy def set_proxy(self): if self.proxy_ttl > 0 and self.flag == 0: return old = self.proxies if self.flag == 1: for try_count in range(self.try_count): try: requests.get('https://www.baidu.com', headers=headers, proxies=old, timeout=timeout) print(f'Test proxy {old} successfully.') return except requests.exceptions.ProxyError or requests.exceptions.ConnectionError or requests.exceptions.ConnectTimeout: print(f'Test proxy {old} failed.') break except Exception as e: print(e) if not self.proxy_api: raise ValueError('代理 IP 不可用,且代理 IP API未设置。') while True: res = requests.get(self.proxy_api) # 这一部分按照自己的代理 IP 文档来,仅供参考 try: if res.json()["ERRORCODE"] == "0": ip, port = res.json()["RESULT"][0]['ip'], res.json()["RESULT"][0]['port'] self.lock.acquire() self.proxies = { 'http': 'http://%s:%s' % (ip, port), 'https': 'http://%s:%s' % (ip, port) } print(f'Set proxy: {ip}:{port}.') self.flag = 0 self.lock.release() self.set_ttl() return else: print(f'Set proxy failed.') except Exception as e: print(e) Proxy = MyProxy() def request_by_proxy(url, use_proxy=True): while True: try: # 使用代理 if use_proxy: proxy_ttl = Proxy.get_ttl() print(proxy_ttl) # 如果 超过最大使用次数 或者 请求出现错误,重新设置 IP if proxy_ttl <= 0 or Proxy.get_flag(): Proxy.set_proxy() print(Proxy.get_ttl()) proxy = Proxy.get_proxy() lock.acquire() res = requests.get(url, headers=headers, proxies=proxy, timeout=timeout) lock.release() Proxy.decrease_ttl() return res else: res = requests.get(url, headers=headers, timeout=timeout) return res except requests.exceptions.ProxyError as pe: if use_proxy: lock.release() print(f'Proxy {Proxy.proxies} is not available, reason: {pe}.') Proxy.set_flag() except requests.exceptions.Timeout as t: if use_proxy: lock.release() print(f'Time out, reason: {t}.') Proxy.set_flag() except Exception as e: if use_proxy: lock.release() print(e)
#!/usr/bin/python3 # -*- coding=utf-8 -*- # @Author : lhys # @FileName: spider.py import time import threading from multiprocessing import Queue from proxy_tool import request_by_proxy threshold = 30 queue = Queue() class Spider(threading.Thread): def __init__(self, use_proxy=True): super(Spider, self).__init__() self.use_proxy = use_proxy def get_data(self, url): try: res = request_by_proxy(url, self.use_proxy) # 响应处理 pass except Exception as e: print(e) return def run(self): while True: # 如果队列空了,等待一会儿。 # 过了指定的时间后,如果队列出现数据,就继续爬 # 如果队列还是空的,停止线程 if queue.empty(): time.sleep(threshold) if not queue.empty(): url = queue.get() self.get_data(url) time.sleep(threshold) else: print('Queue is empty.') return
在 Pycharm 中设置代码模板
打开 File -> settings -> Editor -> Live Templates,点击 Python,如下图所示:
可以看到,已经有一些自动补全的模板了,以 TCP_Client 为例,如下图所示:
可以看到 Pycharm 有提示。
使用 TCP_Client。
如果我们要制作自己的代码模板,就点击 + ,如下图所示:
点击 Live Template 。(第二个是 创建模板组,目前我们不需要,直接在 Python 模板组下创建就好了)。
其中:
- Abbreviation 译为 缩写,就是 自动补全框中出现的名字 。
- Description 译为 描述,就是 对这个代码模板进行描述,可空。
- Template text 译为 模板文本,就是 要设置的模板代码。
然后在下方 define 处选择在哪个模板组中定义,可 根据自己需求或喜好选择模板组 ,我这里选择 Python ,点击 ok 。
测试一下:
成功完成任务!!!
加载全部内容