Python爬虫简易代理池

SummerForti 5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>