如何构建爬虫代理服务?

dellagaoyx 6年前
   <p>起因</p>    <p>做过爬虫的人应该都知道,抓的网站和数据多了,如果爬虫抓取速度过快,免不了触发网站的防爬机制,几乎用的同一招就是封IP。解决方案有2个:</p>    <ul>     <li> <p>1、同一IP,放慢速度(爬取速度慢)</p> </li>     <li> <p>2、使用代理IP访问(推荐)</p> </li>    </ul>    <p>第一种方案牺牲的就是时间和速度,来换取数据,但是一般情况下我们的时间是很宝贵的,理想情况下是用最短的时间获取最多的数据。所以第二种方案是推荐的,那么从哪里能找到这么多代理IP呢?</p>    <p style="text-align: center;"><img src="https://simg.open-open.com/show/1922ecd7f5340d9e4f829c0ede5f92d7.jpg"><br> <strong>寻找代理</strong></p>    <p>程序猿不懂的时候就去寻找嘛,google、度娘,输入关键字:免费代理IP,前几页几乎都是提供代理IP的网站,一一打开后观察发现,几乎都是一个列表页,展示少则几十、多至几百个IP。</p>    <p>但是仔细观察你就会发现,每个网站提供的免费IP是有限的,拿来用几个就会发现,有的也已经失效了。当然,他们更倾向于你购买人家的代理,人家就靠这个赚钱嘛。</p>    <p>身为狡猾的程序猿,当然不能因为这点困难就跪了,仔细想一下,既然搜索引擎能搜到这么多提供代理的网站,每个网站提供几十或几百个,假如有10家网站,那加在一起也有几百到几千个IP。</p>    <p>那么好了,你要做的事情就是,把这些网站记录下来,用程序把IP抓过来就好了,想想是不是很简单?</p>    <p>测试代理</p>    <p>通过刚才的方式,应该可以获得几百或上千的代理IP了。</p>    <p>等等,这么多IP,难道别人真的就免费送给你了么?当然不是,前面也提到过,这些代理中,有很大一部分已经是失效的了。那么怎么办?如何知道哪些代理是有效,哪些是不可用的呢?</p>    <p>很简单,挂上这些代理,访问某一个稳定的网站,然后看是否能正常访问,可以正常访问的就是可用的,不能访问的不就是无效的嘛。</p>    <p>最快速的,用curl命令就可以测试某个代理是否可用:</p>    <pre>  # 使用代理 48.139.133.93:3128 访问 网易首页  curl -x "48.139.133.93:3128"  "http://www.163.com"  </pre>    <p>当然,这种方式只是为了演示方便,实际最好的方式是: <br> 用多线程方式,使用代理去访问某个网站,然后输出可用的代理。 <br> 这样做能最快速的找出可用代理。</p>    <p>使用代理</p>    <p>现在已经可以通过上面的方式,找出可用的代理了,如果应用到程序中,应该不用我多说,大部分都应该会用了。 <br> 例如,刚才把可用的代理输入到某个文件中,每一行是一个代理,那么就可以这样使用:</p>    <ul>     <li> <p>1、读取代理文件</p> </li>     <li> <p>2、随机选择代理IP,发起HTTP请求</p> </li>    </ul>    <p>这样,如果代理有几百个,基本上可以保持一段时间抓取某个网站的数据了,抓个几千几万条数据不成问题。</p>    <p>但是,如果我想持续不断的从某个网站获取数据,或者是抓取上百万甚至上亿的网页数据,那这样肯定是不行的。</p>    <p>持续不断供应代理</p>    <p>刚才的方式是,一次性抓取某几个代理网站,然后通过程序测试每个代理是否可用,得到可用的代理列表。但是这只是一次性的,而且代理量往往很少,在持续抓取中肯定无法满足需要。那么怎么能持续不断的找到可用代理呢?</p>    <ul>     <li> <p>1、找到更多的代理网站(数据基础)</p> </li>     <li> <p>2、定时监控这些代理网站,获取代理</p> </li>     <li> <p>3、拿到代理IP后,程序自动检测,输出可用代理(文件或数据库)</p> </li>     <li> <p>4、程序加载文件或数据库,随机选取代理IP发起HTTP请求</p> </li>    </ul>    <p>按照上面的方式,可以写出一个自动采集代理的程序,然后爬虫端就可以定时去文件/数据库中获取然后使用就可以了。但是有一个小问题,怎样知道每个代理的质量如何?也就是说,代理的速度怎么样?</p>    <ul>     <li> <p>1、在检测代理时,记录请求响应时间</p> </li>     <li> <p>2、响应时间从短到长,加权重值,响应短的使用率高一些</p> </li>     <li> <p>3、限制某段时间内最大使用次数</p> </li>    </ul>    <p>前面几点只是基础,这3点可以进一步优化你的代理程序,输出有优先级的代理列表,爬虫端根据权重和最大使用次数使用代理。这样做的好处:保证使用高质量代理,同时防止某一代理频繁使用防止被封。</p>    <p><img src="https://simg.open-open.com/show/d94d821900628cdf221524c164f466f0.jpg"><br>  </p>    <p><strong>服务化</strong></p>    <p>上面经过一系列的完善和优化,已经搭建好了一个可用的代理服务,只不过是基于文件系统或数据库的。</p>    <p>爬虫端要想使用这些代理,只能是读取文件或读取数据库,然后根据某种规则选择代理使用,这样做比较繁琐,能不能让爬虫端使用代理变得简单一些?那么就需要把代理访问做成服务化。</p>    <p>有个大名鼎鼎的服务器软件squid,利用它的cache_peer邻居代理机制,就可以帮这个事情做的很完美。</p>    <p>把代理列表的代理,按照squid的cache_peer机制按照一定格式,写在配置文件中即可。</p>    <p>squid是个代理服务器软件,一般情况下是这样使用的,假如爬虫在机器A,squid安装在机器B,需要爬取的网站服务器是机器C,代理IP是机器D/E/F…</p>    <ul>     <li> <p>1、不使用代理:爬虫机器A请求 —> 网站机器C</p> </li>     <li> <p>2、使用代理:爬虫机器A —> 代理IP机器D/E/F/... —> 网站机器C</p> </li>     <li> <p>3、使用squid:爬虫机器A—>squid(机器B,cache_peer机制管理调度代理D/E/F) —> 网站机器C</p> </li>    </ul>    <p>这样做的好处就是:爬虫端不用考虑如何加载和选择可用代理,给出一个代理列表给squid,按照配置文件的规则,它就可以帮你管理和调度选择代理。最重要的是,爬虫端使用代理只需访问squid的服务端口就可以了!</p>    <p>进一步整合</p>    <p>现在服务化也搭建完成了,唯一差得一步就是整合:</p>    <ul>     <li> <p>1、定时监控代理源网站(30分/1小时都可),解析出所有代理IP,入数据库</p> </li>     <li> <p>2、从数据库中取出所有代理,访问某个固定的网站,找出访问成功的代理,更新数据库可用标记和响应时间</p> </li>     <li> <p>3、从数据库中加载所有可用代理,通过某种算法,根据响应时间计算使用权重和最大使用次数</p> </li>     <li> <p>4、按照squid的cache_peer格式,写入配置文件</p> </li>     <li> <p>5、重新加载squid配置文件,刷新squid下的代理列表</p> </li>     <li> <p>6、爬虫指定squid的服务IP和端口,进行纯粹的爬取操作</p> </li>    </ul>    <p>一个完整的代理服务通过这样的方法就可以搭建完成,定时输出高质量代理。爬虫端不用关心代理的采集和测试,只管使用squid的统一服务入口爬取数据即可。</p>    <p> </p>    <p> </p>    <p>来自:http://mp.weixin.qq.com/s?timestamp=1480384968&src=3&ver=1&signature=Og1oc-BdYOt3qKBuT6qH*llkQCJ3kgpYudghF-lAJdaKn9NakIuLKqA8fmGD*uzLVVwLg*zS0UH-3HDCz6XhO99PXE*B1TWwZH7RfAlQUBe*-7KmXNkbxjlXVtNDLwfON8NmDE*-8FTHRAy2zKNkfpd3i5*idYqMzsrDSqCfcYA=</p>    <p> </p>