您现在的位置是：首页 > Python

当前栏目

Python爬虫代理池

Python 接口 IP 代码

2023-03-02 11:00:30 时间

# 爬虫代理IP池 #

> 在公司做分布式深网爬虫，搭建了一套稳定的代理池服务，为上千个爬虫提供有效的代理，保证各个爬虫拿到的都是对应网站有效的代理IP，从而保证爬虫快速稳定的运行，当然在公司做的东西不能开源出来。不过呢，闲暇时间手痒，所以就想利用一些免费的资源搞一个简单的代理池服务。

### 1、问题 ###

*  代理IP从何而来？  
    　　刚自学爬虫的时候没有代理IP就去西刺、快代理之类有免费代理的网站去爬，还是有个别代理能用。当然，如果你有更好的代理接口也可以自己接入。  
    　　免费代理的采集也很简单，无非就是：访问页面页面 —> 正则/xpath提取 —> 保存
 *  如何保证代理质量？  
    　　可以肯定免费的代理IP大部分都是不能用的，不然别人为什么还提供付费的(不过事实是很多代理商的付费IP也不稳定，也有很多是不能用)。所以采集回来的代理IP不能直接使用，可以写检测程序不断的去用这些代理访问一个稳定的网站，看是否可以正常使用。这个过程可以使用多线程或异步的方式，因为检测代理是个很慢的过程。
 *  采集回来的代理如何存储？  
    　　这里不得不推荐一个高性能支持多种数据结构的NoSQL数据库SSDB，用于代理Redis。支持队列、hash、set、k-v对，支持T级别数据。是做分布式爬虫很好中间存储工具。
 *  如何让爬虫更简单的使用这些代理？  
    　　答案肯定是做成服务咯，python有这么多的web框架，随便拿一个来写个api供爬虫调用。这样有很多好处，比如：当爬虫发现代理不能使用可以主动通过api去delete代理IP，当爬虫发现代理池IP不够用时可以主动去refresh代理池。这样比检测程序更加靠谱。
    
    ### 2、代理池设计 ###
    
    　　代理池由四部分组成:
 *  ProxyGetter:  
    　　代理获取接口，目前有5个免费代理源，每调用一次就会抓取这个5个网站的最新代理放入DB，可自行添加额外的代理获取接口；
 *  DB:  
    　　用于存放代理IP，现在暂时只支持SSDB。至于为什么选择SSDB，大家可以参考这篇文章,个人觉得SSDB是个不错的Redis替代方案，如果你没有用过SSDB，安装起来也很简单，可以参考这里；
 *  Schedule:  
    　　计划任务用户定时去检测DB中的代理可用性，删除不可用的代理。同时也会主动通过ProxyGetter去获取最新代理放入DB；
 *  ProxyApi:  
    　　代理池的外部接口，由于现在这么代理池功能比较简单，花两个小时看了下Flask，愉快的决定用Flask搞定。功能是给爬虫提供get/delete/refresh等接口，方便爬虫直接使用。  
      
    
    
    ### 3、代码模块 ###
    
    　　Python中高层次的数据结构,动态类型和动态绑定,使得它非常适合于快速应用开发,也适合于作为胶水语言连接已有的软件部件。用Python来搞这个代理IP池也很简单，代码分为6个模块：
 *  Api:  
    　　api接口相关代码，目前api是由Flask实现，代码也非常简单。客户端请求传给Flask，Flask调用ProxyManager中的实现，包括`get/delete/refresh/get_all`；
 *  DB:  
    　　数据库相关代码，目前数据库是采用SSDB。代码用工厂模式实现，方便日后扩展其他类型数据库；
 *  Manager:  
    　　`get/delete/refresh/get_all`等接口的具体实现类，目前代理池只负责管理proxy，日后可能会有更多功能，比如代理和爬虫的绑定，代理和账号的绑定等等；
 *  ProxyGetter:  
    　　代理获取的相关代码，目前抓取了快代理、代理66、有代理、西刺代理、guobanjia这个五个网站的免费代理，经测试这个5个网站每天更新的可用代理只有六七十个，当然也支持自己扩展代理接口；
 *  Schedule:  
    　　定时任务相关代码，现在只是实现定时去刷新代码，并验证可用代理，采用多进程方式；
 *  Util:  
    　　存放一些公共的模块方法或函数，包含`GetConfig`:读取配置文件config.ini的类，`ConfigParse`: 集成重写ConfigParser的类，使其对大小写敏感， `Singleton`:实现单例，`LazyProperty`:实现类属性惰性计算。等等；
 *  其他文件:  
    　　配置文件:Config.ini,数据库配置和代理获取接口配置，可以在GetFreeProxy中添加新的代理获取方法，并在Config.ini中注册即可使用；
    
    ### 4、安装 ###
    
    下载代码:
    
        git clone git@github.com:jhao104/proxy_pool.git
        或者直接到https://github.com/jhao104/proxy_pool 下载zip文件
    
    安装依赖:
    
        pip install -r requirements.txt
    
    启动:
    
        需要分别启动定时任务和api
        到Config.ini中配置你的SSDB
        到Schedule目录下:
        >>>python ProxyRefreshSchedule.py
        到Api目录下:
        >>>python ProxyApi.py
    
    ### 5、使用 ###
    
    　　定时任务启动后，会通过代理获取方法fetch所有代理放入数据库并验证。此后默认每20分钟会重复执行一次。定时任务启动大概一两分钟后，便可在SSDB中看到刷新出来的可用的代理：

启动ProxyApi.py后即可在浏览器中使用接口获取代理，一下是浏览器中的截图:  
　　index页面:

get页面：

爬虫中使用，如果要在爬虫代码中使用的话， 可以将此api封装成函数直接使用，例如:

import requests
    def get_proxy():
        return requests.get("http://127.0.0.1:5000/get/").content
    def delete_proxy(proxy):
        requests.get("http://127.0.0.1:5000/delete/?proxy={}".format(proxy))
    # your spider code
    def spider():
        # ....
        requests.get('https://www.example.com', proxies={"http": "http://{}".format(get_proxy)})
        # ....

### 6、最后 ###

时间仓促，功能和代码都比较简陋，以后有时间再改进。喜欢的在github上给个star。感谢！

github项目地址：https://github.com/jhao104/proxy\_pool

猜你喜欢

最长无重复子串
写技术博客的一些心得分享
Java 多线程（七）：线程池
Java 多线程（五）：锁（三）
Java 多线程（四）：锁（二）
Java 多线程（三）：锁（一）
Java 多线程（二）：并发编程的三大特性
线性时间非比较类排序
Java 多线程（一）：基础
合并k个已排序的链表
HDFS 高可用分布式环境搭建
合并两个有序数组
连续子数组的最大和
HDFS 分布式环境搭建
容器盛水问题
大数加法
HDFS 伪分布式环境搭建
设计LRU缓存结构
两数之和
使用单调栈来解决的一些问题

zl程序教程

当前栏目

Python爬虫代理池

相关文章