Uploading the AI Crawler System: MindSpider

2025-08-27 13:49:07 +08:00
parent 822bad557f
commit 587e709e82
174 changed files with 34562 additions and 25 deletions
@@ -0,0 +1,18 @@
+# 声明：本代码仅供学习和研究目的使用。使用者应遵守以下原则：  
+# 1. 不得用于任何商业用途。  
+# 2. 使用时应遵守目标平台的使用条款和robots.txt规则。  
+# 3. 不得进行大规模爬取或对平台造成运营干扰。  
+# 4. 应合理控制请求频率，避免给目标平台带来不必要的负担。   
+# 5. 不得用于任何非法或不当的用途。
+#   
+# 详细许可条款请参阅项目根目录下的LICENSE文件。  
+# 使用本代码即表示您同意遵守上述原则和LICENSE中的所有条款。  
+
+
+# -*- coding: utf-8 -*-
+# @Author  : relakkes@gmail.com
+# @Time    : 2024/4/5 10:13
+# @Desc    :
+from .jishu_http_proxy import new_jisu_http_proxy
+from .kuaidl_proxy import new_kuai_daili_proxy
+from .wandou_http_proxy import new_wandou_http_proxy
@@ -0,0 +1,99 @@
+# 声明：本代码仅供学习和研究目的使用。使用者应遵守以下原则：
+# 1. 不得用于任何商业用途。
+# 2. 使用时应遵守目标平台的使用条款和robots.txt规则。
+# 3. 不得进行大规模爬取或对平台造成运营干扰。
+# 4. 应合理控制请求频率，避免给目标平台带来不必要的负担。
+# 5. 不得用于任何非法或不当的用途。
+#
+# 详细许可条款请参阅项目根目录下的LICENSE文件。
+# 使用本代码即表示您同意遵守上述原则和LICENSE中的所有条款。
+
+# -*- coding: utf-8 -*-
+# @Author  : relakkes@gmail.com
+# @Time    : 2024/4/5 09:32
+# @Desc    : 已废弃！！！！！倒闭了！！！极速HTTP 代理IP实现. 请使用快代理实现（proxy/providers/kuaidl_proxy.py）
+import os
+from typing import Dict, List
+from urllib.parse import urlencode
+
+import httpx
+
+from proxy import IpCache, IpGetError, ProxyProvider
+from proxy.types import IpInfoModel
+from tools import utils
+
+
+class JiSuHttpProxy(ProxyProvider):
+
+    def __init__(self, key: str, crypto: str, time_validity_period: int):
+        """
+        极速HTTP 代理IP实现
+        :param key: 提取key值 (去官网注册后获取)
+        :param crypto: 加密签名 (去官网注册后获取)
+        """
+        self.proxy_brand_name = "JISUHTTP"
+        self.api_path = "https://api.jisuhttp.com"
+        self.params = {
+            "key": key,
+            "crypto": crypto,
+            "time": time_validity_period,  # IP使用时长，支持3、5、10、15、30分钟时效
+            "type": "json",  # 数据结果为json
+            "port": "2",  # IP协议：1:HTTP、2:HTTPS、3:SOCKS5
+            "pw": "1",  # 是否使用账密验证， 1：是，0：否，否表示白名单验证；默认为0
+            "se": "1",  # 返回JSON格式时是否显示IP过期时间， 1：显示，0：不显示；默认为0
+        }
+        self.ip_cache = IpCache()
+
+    async def get_proxy(self, num: int) -> List[IpInfoModel]:
+        """
+        :param num:
+        :return:
+        """
+
+        # 优先从缓存中拿 IP
+        ip_cache_list = self.ip_cache.load_all_ip(proxy_brand_name=self.proxy_brand_name)
+        if len(ip_cache_list) >= num:
+            return ip_cache_list[:num]
+
+        # 如果缓存中的数量不够，从IP代理商获取补上，再存入缓存中
+        need_get_count = num - len(ip_cache_list)
+        self.params.update({"num": need_get_count})
+        ip_infos = []
+        async with httpx.AsyncClient() as client:
+            url = self.api_path + "/fetchips" + '?' + urlencode(self.params)
+            utils.logger.info(f"[JiSuHttpProxy.get_proxy] get ip proxy url:{url}")
+            response = await client.get(url, headers={
+                "User-Agent": "MediaCrawler https://github.com/NanmiCoder/MediaCrawler",
+            })
+            res_dict: Dict = response.json()
+            if res_dict.get("code") == 0:
+                data: List[Dict] = res_dict.get("data")
+                current_ts = utils.get_unix_timestamp()
+                for ip_item in data:
+                    ip_info_model = IpInfoModel(
+                        ip=ip_item.get("ip"),
+                        port=ip_item.get("port"),
+                        user=ip_item.get("user"),
+                        password=ip_item.get("pass"),
+                        expired_time_ts=utils.get_unix_time_from_time_str(ip_item.get("expire")),
+                    )
+                    ip_key = f"JISUHTTP_{ip_info_model.ip}_{ip_info_model.port}_{ip_info_model.user}_{ip_info_model.password}"
+                    ip_value = ip_info_model.json()
+                    ip_infos.append(ip_info_model)
+                    self.ip_cache.set_ip(ip_key, ip_value, ex=ip_info_model.expired_time_ts - current_ts)
+            else:
+                raise IpGetError(res_dict.get("msg", "unkown err"))
+        return ip_cache_list + ip_infos
+
+
+def new_jisu_http_proxy() -> JiSuHttpProxy:
+    """
+    构造极速HTTP实例
+    Returns:
+
+    """
+    return JiSuHttpProxy(
+        key=os.getenv("jisu_key", ""),  # 通过环境变量的方式获取极速HTTPIP提取key值
+        crypto=os.getenv("jisu_crypto", ""),  # 通过环境变量的方式获取极速HTTPIP提取加密签名
+        time_validity_period=30  # 30分钟（最长时效）
+    )
@@ -0,0 +1,145 @@
+# 声明：本代码仅供学习和研究目的使用。使用者应遵守以下原则：  
+# 1. 不得用于任何商业用途。  
+# 2. 使用时应遵守目标平台的使用条款和robots.txt规则。  
+# 3. 不得进行大规模爬取或对平台造成运营干扰。  
+# 4. 应合理控制请求频率，避免给目标平台带来不必要的负担。   
+# 5. 不得用于任何非法或不当的用途。
+#   
+# 详细许可条款请参阅项目根目录下的LICENSE文件。  
+# 使用本代码即表示您同意遵守上述原则和LICENSE中的所有条款。  
+
+
+# -*- coding: utf-8 -*-
+# @Author  : relakkes@gmail.com
+# @Time    : 2024/4/5 09:43
+# @Desc    : 快代理HTTP实现，官方文档：https://www.kuaidaili.com/?ref=ldwkjqipvz6c
+import os
+import re
+from typing import Dict, List
+
+import httpx
+from pydantic import BaseModel, Field
+
+from proxy import IpCache, IpInfoModel, ProxyProvider
+from proxy.types import ProviderNameEnum
+from tools import utils
+
+
+class KuaidailiProxyModel(BaseModel):
+    ip: str = Field("ip")
+    port: int = Field("端口")
+    expire_ts: int = Field("过期时间")
+
+
+def parse_kuaidaili_proxy(proxy_info: str) -> KuaidailiProxyModel:
+    """
+    解析快代理的IP信息
+    Args:
+        proxy_info:
+
+    Returns:
+
+    """
+    proxies: List[str] = proxy_info.split(":")
+    if len(proxies) != 2:
+        raise Exception("not invalid kuaidaili proxy info")
+
+    pattern = r'(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}):(\d{1,5}),(\d+)'
+    match = re.search(pattern, proxy_info)
+    if not match.groups():
+        raise Exception("not match kuaidaili proxy info")
+
+    return KuaidailiProxyModel(
+        ip=match.groups()[0],
+        port=int(match.groups()[1]),
+        expire_ts=int(match.groups()[2])
+    )
+
+
+class KuaiDaiLiProxy(ProxyProvider):
+    def __init__(self, kdl_user_name: str, kdl_user_pwd: str, kdl_secret_id: str, kdl_signature: str):
+        """
+
+        Args:
+            kdl_user_name:
+            kdl_user_pwd:
+        """
+        self.kdl_user_name = kdl_user_name
+        self.kdl_user_pwd = kdl_user_pwd
+        self.api_base = "https://dps.kdlapi.com/"
+        self.secret_id = kdl_secret_id
+        self.signature = kdl_signature
+        self.ip_cache = IpCache()
+        self.proxy_brand_name = ProviderNameEnum.KUAI_DAILI_PROVIDER.value
+        self.params = {
+            "secret_id": self.secret_id,
+            "signature": self.signature,
+            "pt": 1,
+            "format": "json",
+            "sep": 1,
+            "f_et": 1,
+        }
+
+    async def get_proxy(self, num: int) -> List[IpInfoModel]:
+        """
+        快代理实现
+        Args:
+            num:
+
+        Returns:
+
+        """
+        uri = "/api/getdps/"
+
+        # 优先从缓存中拿 IP
+        ip_cache_list = self.ip_cache.load_all_ip(proxy_brand_name=self.proxy_brand_name)
+        if len(ip_cache_list) >= num:
+            return ip_cache_list[:num]
+
+        # 如果缓存中的数量不够，从IP代理商获取补上，再存入缓存中
+        need_get_count = num - len(ip_cache_list)
+        self.params.update({"num": need_get_count})
+
+        ip_infos: List[IpInfoModel] = []
+        async with httpx.AsyncClient() as client:
+            response = await client.get(self.api_base + uri, params=self.params)
+
+            if response.status_code != 200:
+                utils.logger.error(f"[KuaiDaiLiProxy.get_proxies] statuc code not 200 and response.txt:{response.text}")
+                raise Exception("get ip error from proxy provider and status code not 200 ...")
+
+            ip_response: Dict = response.json()
+            if ip_response.get("code") != 0:
+                utils.logger.error(f"[KuaiDaiLiProxy.get_proxies]  code not 0 and msg:{ip_response.get('msg')}")
+                raise Exception("get ip error from proxy provider and  code not 0 ...")
+
+            proxy_list: List[str] = ip_response.get("data", {}).get("proxy_list")
+            for proxy in proxy_list:
+                proxy_model = parse_kuaidaili_proxy(proxy)
+                ip_info_model = IpInfoModel(
+                    ip=proxy_model.ip,
+                    port=proxy_model.port,
+                    user=self.kdl_user_name,
+                    password=self.kdl_user_pwd,
+                    expired_time_ts=proxy_model.expire_ts,
+
+                )
+                ip_key = f"{self.proxy_brand_name}_{ip_info_model.ip}_{ip_info_model.port}"
+                self.ip_cache.set_ip(ip_key, ip_info_model.model_dump_json(), ex=ip_info_model.expired_time_ts)
+                ip_infos.append(ip_info_model)
+
+        return ip_cache_list + ip_infos
+
+
+def new_kuai_daili_proxy() -> KuaiDaiLiProxy:
+    """
+    构造快代理HTTP实例
+    Returns:
+
+    """
+    return KuaiDaiLiProxy(
+        kdl_secret_id=os.getenv("kdl_secret_id", "你的快代理secert_id"),
+        kdl_signature=os.getenv("kdl_signature", "你的快代理签名"),
+        kdl_user_name=os.getenv("kdl_user_name", "你的快代理用户名"),
+        kdl_user_pwd=os.getenv("kdl_user_pwd", "你的快代理密码"),
+    )
@@ -0,0 +1,110 @@
+# 声明：本代码仅供学习和研究目的使用。使用者应遵守以下原则：
+# 1. 不得用于任何商业用途。
+# 2. 使用时应遵守目标平台的使用条款和robots.txt规则。
+# 3. 不得进行大规模爬取或对平台造成运营干扰。
+# 4. 应合理控制请求频率，避免给目标平台带来不必要的负担。
+# 5. 不得用于任何非法或不当的用途。
+#
+# 详细许可条款请参阅项目根目录下的LICENSE文件。
+# 使用本代码即表示您同意遵守上述原则和LICENSE中的所有条款。
+
+# -*- coding: utf-8 -*-
+# @Author  : relakkes@gmail.com
+# @Time    : 2025/7/31
+# @Desc    : 豌豆HTTP 代理IP实现
+import os
+from typing import Dict, List
+from urllib.parse import urlencode
+
+import httpx
+
+from proxy import IpCache, IpGetError, ProxyProvider
+from proxy.types import IpInfoModel
+from tools import utils
+
+
+class WanDouHttpProxy(ProxyProvider):
+
+    def __init__(self, app_key: str, num: int = 100):
+        """
+        豌豆HTTP 代理IP实现
+        :param app_key: 开放的app_key,可以通过用户中心获取
+        :param num: 单次提取IP数量,最大100
+        """
+        self.proxy_brand_name = "WANDOUHTTP"
+        self.api_path = "https://api.wandouapp.com/"
+        self.params = {
+            "app_key": app_key,
+            "num": num,
+        }
+        self.ip_cache = IpCache()
+
+    async def get_proxy(self, num: int) -> List[IpInfoModel]:
+        """
+        :param num:
+        :return:
+        """
+
+        # 优先从缓存中拿 IP
+        ip_cache_list = self.ip_cache.load_all_ip(
+            proxy_brand_name=self.proxy_brand_name
+        )
+        if len(ip_cache_list) >= num:
+            return ip_cache_list[:num]
+
+        # 如果缓存中的数量不够，从IP代理商获取补上，再存入缓存中
+        need_get_count = num - len(ip_cache_list)
+        self.params.update({"num": min(need_get_count, 100)})  # 最大100
+        ip_infos = []
+        async with httpx.AsyncClient() as client:
+            url = self.api_path + "?" + urlencode(self.params)
+            utils.logger.info(f"[WanDouHttpProxy.get_proxy] get ip proxy url:{url}")
+            response = await client.get(
+                url,
+                headers={
+                    "User-Agent": "MediaCrawler https://github.com/NanmiCoder/MediaCrawler",
+                },
+            )
+            res_dict: Dict = response.json()
+            if res_dict.get("code") == 200:
+                data: List[Dict] = res_dict.get("data", [])
+                current_ts = utils.get_unix_timestamp()
+                for ip_item in data:
+                    ip_info_model = IpInfoModel(
+                        ip=ip_item.get("ip"),
+                        port=ip_item.get("port"),
+                        user="",  # 豌豆HTTP不需要用户名密码认证
+                        password="",
+                        expired_time_ts=utils.get_unix_time_from_time_str(
+                            ip_item.get("expire_time")
+                        ),
+                    )
+                    ip_key = f"WANDOUHTTP_{ip_info_model.ip}_{ip_info_model.port}"
+                    ip_value = ip_info_model.model_dump_json()
+                    ip_infos.append(ip_info_model)
+                    self.ip_cache.set_ip(
+                        ip_key, ip_value, ex=ip_info_model.expired_time_ts - current_ts
+                    )
+            else:
+                error_msg = res_dict.get("msg", "unknown error")
+                # 处理具体错误码
+                error_code = res_dict.get("code")
+                if error_code == 10001:
+                    error_msg = "通用错误，具体错误信息查看msg内容"
+                elif error_code == 10048:
+                    error_msg = "没有可用套餐"
+                raise IpGetError(f"{error_msg} (code: {error_code})")
+        return ip_cache_list + ip_infos
+
+
+def new_wandou_http_proxy() -> WanDouHttpProxy:
+    """
+    构造豌豆HTTP实例
+    Returns:
+
+    """
+    return WanDouHttpProxy(
+        app_key=os.getenv(
+            "wandou_app_key", "你的豌豆HTTP app_key"
+        ),  # 通过环境变量的方式获取豌豆HTTP app_key
+    )