Python爬虫简易代理池
SummerForti
8年前
<p style="text-align:center"><img src="https://simg.open-open.com/show/8a2cc5c5b1230cbcfc0cbcc99ee429ae.png"></p> <h2>爬虫代理IP池</h2> <p>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。</p> <h3>1、问题</h3> <ul> <li>代理IP从何而来？</li> </ul> <p>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。</p> <p>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</p> <ul> <li>如何保证代理质量？</li> </ul> <p>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。</p> <ul> <li>采集回来的代理如何存储？</li> </ul> <p>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 <a href="/misc/goto?guid=4959727869623945167" rel="nofollow,noindex"> SSDB </a> ，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。</p> <ul> <li>如何让爬虫更简单的使用这些代理？</li> </ul> <p>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。</p> <h3>2、代理池设计</h3> <p>代理池由四部分组成:</p> <ul> <li>ProxyGetter:</li> </ul> <p>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；</p> <ul> <li>DB:</li> </ul> <p>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。</p> <ul> <li>Schedule:</li> </ul> <p>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；</p> <ul> <li>ProxyApi:</li> </ul> <p>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 <a href="/misc/goto?guid=4959727869744542556" rel="nofollow,noindex"> Flask </a> ，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。</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/cfdddf3ac884c847393334a4daa7ad28.png"></p> <h3>3、代码模块</h3> <p>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：</p> <ul> <li> <p>Api:</p> <p>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；</p> </li> <li> <p>DB:</p> <p>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；</p> </li> <li> <p>Manager:</p> <p>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；</p> </li> <li> <p>ProxyGetter:</p> <p>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 <a href="/misc/goto?guid=4959727869860606542" rel="nofollow,noindex"> </a> 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；</p> </li> <li> <p>Schedule:</p> <p>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；</p> </li> <li> <p>Util:</p> <p>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；</p> </li> <li> <p>其他文件:</p> <p>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；</p> </li> </ul> <h3>4、安装</h3> <p>下载代码:</p> <pre> <code class="language-python">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</code></pre> <p>安装依赖:</p> <pre> <code class="language-python">pip install -r requirements.txt</code></pre> <p>启动:</p> <pre> <code class="language-python">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</code></pre> <h3>5、使用</h3> <p>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：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/a7fc514909f6a38be0e302b6a0df6c95.png"></p> <p>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:</p> <p>index页面:</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/e549dd5ab34f15f51a7ea9646aaf6ae9.png"></p> <p>get页面：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/48b0dfdc17fbb28d1133ee561cb53a05.png"></p> <p>get_all页面：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/c1a2057ab78f4e6f1e2c898eb5cd33f6.png"></p> <p>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:</p> <pre> <code class="language-python">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)}) # ....</code></pre> <h3> </h3> <p></p> <p> </p> <p>来自：https://zhuanlan.zhihu.com/p/24165119</p> <p> </p>