一步步编写自己的PHP爬取代理IP项目（三）
上一章节我们讲完了自动加载，现在我们正式进入爬虫核心代码的编写中，首先我们需要先看看整个目录
config.php 这个是我们的配置文件加载文件
ProxyPool.php 这个是爬虫的核心处理文件
Queue.php 这个是队列操作的处理文件
Requests.php 这个是发起请求的处理文件
然后我们在回忆一下入口文件的代码
<?php
require_once __DIR__ . '/autoloader.php';
require_once __DIR__ . '/vendor/autoload.php';
use ProxyPool\core\ProxyPool;
$proxy = new ProxyPool();
$proxy->run();通过这里可以看到我们使用了core里面ProxyPool的run方法，先来看看ProxyPool的内容吧
<?php
use ProxyPool\core\Requests; //HTTP请求文件
use ProxyPool\core\Queue; //队列操作文件
class ProxyPool
{
private $redis;
private $httpClient;
private $queueObj;
function __construct()
{
$redis = new \Redis();
$redis->connect(config("database.redis_host"), config("database.redis_port"));
$this->redis = $redis;$this->httpClient = new Requests(['timeout' => 10]);
$this->queueObj = new Queue();
}
public function run()
{
echo "start to spider ip...." . PHP_EOL;
$ip_arr = $this->get_ip(); //获取IP的具体方法
echo "select IP num: " . count($ip_arr) . PHP_EOL;
echo "start to check ip...." . PHP_EOL;
$this->check_ip($ip_arr); //验证IP可用性的方法
$ip_pool = $this->redis->smembers('ip_pool'); //读取redis中的ip
echo "end check ip...." . PHP_EOL;
print_r($ip_pool); //输出ip数组
die;
}
}其中get_ip方法会爬取两个网站的IP
//获取各大网站代理IP
private function get_ip()
{
$ip_arr = [];
$ip_arr = $this->get_xici_ip($ip_arr); //西刺代理
$ip_arr = $this->get_kuaidaili_ip($ip_arr); //快代理
return $ip_arr;
}我们先来来看看西刺代理的爬取
private function get_xici_ip($ip_arr)
{
for ($i = 1; $i <= config('spider.page_num'); $i++)
{
list($infoRes, $msg) = $this->httpClient ->request('GET','http://www.xicidaili.com/nn/'.$i,[]);
if (!$infoRes)
{
print_r($msg); //输出错误信息
exit();
}
$infoContent = $infoRes->getBody();
$this->convert_encoding($infoContent);
preg_match_all('/<tr.*>[\s\S]*?<td class="country">[\s\S]*?<\/td>[\s\S]*?<td>(.*?)<\/td>[\s\S]*?<td>(.*?)<\/td>/', $infoContent, $match);
$host_arr = $match[1];
$port_arr = $match[2];
foreach ($host_arr as $key => $value)
{
$ip_arr[] = $host_arr[$key].":".$port_arr[$key];
}
}
return $ip_arr;
}这个方法里面，我们首先使用 config('spider.page_num') 这个方法读取了配置文件里面定义的爬取页数，我这里定义的是3页，然后我们打开西刺代理的网站，会发现域名是
http://www.xicidaili.com/nn/XX 这个XX是第几页，第一页就是1，第二页就是2，以此类推
所以我们在代码里面循环访问了三次网站，获取到网页的返回值，然后用正则匹配html去获取里面的地址和端口号（具体html元素可以在网站右键点击审查元素查看）
preg_match_all('/<tr.*>[\s\S]*?<td class="country">[\s\S]*?<\/td>[\s\S]*?<td>(.*?)<\/td>[\s\S]*?<td>(.*?)<\/td>/', $infoContent, $match);
然后经过一些处理，将获取到的IP返回。这就是get_xici_ip这个方法做的事情，它就是负责爬取IP。
然后我们来看看
//检测IP可用性
private function check_ip($ip_arr)
{
$this->queueObj = $this->queueObj->arr2queue($ip_arr);
$queue = $this->queueObj->getQueue();
foreach ($queue as $key => $value)
{
//用百度网和腾讯网测试IP地址的可用性
for ($i=0; $i < config('spider.examine_round'); $i++)
{
$response = $this->httpClient->test_request('GET','https://www.baidu.com', ['proxy' => 'https://'.$value]);
if (!$response)
{
$response = $this->httpClient->test_request('GET','http://www.qq.com', ['proxy' => 'http://'.$value]);
if ($response && $response->getStatusCode() == 200)
{
break;
}
}
else if($response->getStatusCode() == 200)
{
break;
}
}
//将结果存入redis
if ($response && $response->getStatusCode() == 200)
{
$this->set_ip2redis($value);
}
else{
echo $value . " error... ". PHP_EOL;
}
}
}这里我们使用了https的百度和http的qq来检测，如果成功访问就把这个IP插入redis中。
这样我们就能做到爬取IP并且校验可用性了。
