爬蟲(chóng)代理IP池

在公司做分布式深網(wǎng)爬蟲(chóng)，搭建了一套穩(wěn)定的代理池服務(wù)，為上千個(gè)爬蟲(chóng)提供有效的代理，保證各個(gè)爬蟲(chóng)拿到的都是對(duì)應(yīng)網(wǎng)站有效的代理IP，從而保證爬蟲(chóng)快速穩(wěn)定的運(yùn)行，當(dāng)然在公司做的東西不能開(kāi)源出來(lái)。不過(guò)呢，閑暇時(shí)間手癢，所以就想利用一些免費(fèi)的資源搞一個(gè)簡(jiǎn)單的代理池服務(wù)。

1、問(wèn)題

代理IP從何而來(lái)？剛自學(xué)爬蟲(chóng)的時(shí)候沒(méi)有代理IP就去西刺、快代理之類(lèi)有免費(fèi)代理的網(wǎng)站去爬，還是有個(gè)別代理能用。當(dāng)然，如果你有更好的代理接口也可以自己接入。免費(fèi)代理的采集也很簡(jiǎn)單，無(wú)非就是：訪問(wèn)頁(yè)面頁(yè)面 —> 正則/xpath提取 —> 保存

如何保證代理質(zhì)量？可以肯定免費(fèi)的代理IP大部分都是不能用的，不然別人為什么還提供付費(fèi)的(不過(guò)事實(shí)是很多代理商的付費(fèi)IP也不穩(wěn)定，也有很多是不能用)。所以采集回來(lái)的代理IP不能直接使用，可以寫(xiě)檢測(cè)程序不斷的去用這些代理訪問(wèn)一個(gè)穩(wěn)定的網(wǎng)站，看是否可以正常使用。這個(gè)過(guò)程可以使用多線程或異步的方式，因?yàn)闄z測(cè)代理是個(gè)很慢的過(guò)程。

采集回來(lái)的代理如何存儲(chǔ)？這里不得不推薦一個(gè)高性能支持多種數(shù)據(jù)結(jié)構(gòu)的NoSQL數(shù)據(jù)庫(kù)SSDB，用于代理Redis。支持隊(duì)列、hash、set、k-v對(duì)，支持T級(jí)別數(shù)據(jù)。是做分布式爬蟲(chóng)很好中間存儲(chǔ)工具。

如何讓爬蟲(chóng)更簡(jiǎn)單的使用這些代理？答案肯定是做成服務(wù)咯，python有這么多的web框架，隨便拿一個(gè)來(lái)寫(xiě)個(gè)api供爬蟲(chóng)調(diào)用。這樣有很多好處，比如：當(dāng)爬蟲(chóng)發(fā)現(xiàn)代理不能使用可以主動(dòng)通過(guò)api去delete代理IP，當(dāng)爬蟲(chóng)發(fā)現(xiàn)代理池IP不夠用時(shí)可以主動(dòng)去refresh代理池。這樣比檢測(cè)程序更加靠譜。

2、代理池設(shè)計(jì)

代理池由四部分組成:

ProxyGetter:代理獲取接口，目前有5個(gè)免費(fèi)代理源，每調(diào)用一次就會(huì)抓取這個(gè)5個(gè)網(wǎng)站的最新代理放入DB，可自行添加額外的代理獲取接口；

DB:用于存放代理IP，現(xiàn)在暫時(shí)只支持SSDB。至于為什么選擇SSDB，大家可以參考這篇文章,個(gè)人覺(jué)得SSDB是個(gè)不錯(cuò)的Redis替代方案，如果你沒(méi)有用過(guò)SSDB，安裝起來(lái)也很簡(jiǎn)單，可以參考這里；

Schedule:計(jì)劃任務(wù)用戶(hù)定時(shí)去檢測(cè)DB中的代理可用性，刪除不可用的代理。同時(shí)也會(huì)主動(dòng)通過(guò)ProxyGetter去獲取最新代理放入DB；

ProxyApi:代理池的外部接口，由于現(xiàn)在這么代理池功能比較簡(jiǎn)單，花兩個(gè)小時(shí)看了下Flask，愉快的決定用Flask搞定。功能是給爬蟲(chóng)提供get/delete/refresh等接口，方便爬蟲(chóng)直接使用。

3、代碼模塊

Python中高層次的數(shù)據(jù)結(jié)構(gòu),動(dòng)態(tài)類(lèi)型和動(dòng)態(tài)綁定,使得它非常適合于快速應(yīng)用開(kāi)發(fā),也適合于作為膠水語(yǔ)言連接已有的軟件部件。用Python來(lái)搞這個(gè)代理IP池也很簡(jiǎn)單，代碼分為6個(gè)模塊：

Api:api接口相關(guān)代碼，目前api是由Flask實(shí)現(xiàn)，代碼也非常簡(jiǎn)單。客戶(hù)端請(qǐng)求傳給Flask，F(xiàn)lask調(diào)用ProxyManager中的實(shí)現(xiàn)，包括get/delete/refresh/get_all；

DB:數(shù)據(jù)庫(kù)相關(guān)代碼，目前數(shù)據(jù)庫(kù)是采用SSDB。代碼用工廠模式實(shí)現(xiàn)，方便日后擴(kuò)展其他類(lèi)型數(shù)據(jù)庫(kù)；

Manager:get/delete/refresh/get_all等接口的具體實(shí)現(xiàn)類(lèi)，目前代理池只負(fù)責(zé)管理proxy，日后可能會(huì)有更多功能，比如代理和爬蟲(chóng)的綁定，代理和賬號(hào)的綁定等等；

ProxyGetter:代理獲取的相關(guān)代碼，目前抓取了快代理、代理66、有代理、西刺代理、guobanjia這個(gè)五個(gè)網(wǎng)站的免費(fèi)代理，經(jīng)測(cè)試這個(gè)5個(gè)網(wǎng)站每天更新的可用代理只有六七十個(gè)，當(dāng)然也支持自己擴(kuò)展代理接口；

Schedule:定時(shí)任務(wù)相關(guān)代碼，現(xiàn)在只是實(shí)現(xiàn)定時(shí)去刷新代碼，并驗(yàn)證可用代理，采用多進(jìn)程方式；

Util:存放一些公共的模塊方法或函數(shù)，包含GetConfig:讀取配置文件config.ini的類(lèi)，ConfigParse: 集成重寫(xiě)ConfigParser的類(lèi)，使其對(duì)大小寫(xiě)敏感，Singleton:實(shí)現(xiàn)單例，LazyProperty:實(shí)現(xiàn)類(lèi)屬性惰性計(jì)算。等等；

其他文件:配置文件:Config.ini,數(shù)據(jù)庫(kù)配置和代理獲取接口配置，可以在GetFreeProxy中添加新的代理獲取方法，并在Config.ini中注冊(cè)即可使用；

4、安裝

下載代碼:

git clone git@github.com:jhao104/proxy_pool.git或者直接到https://github.com/jhao104/proxy_pool 下載zip文件

安裝依賴(lài):

pip install -r requirements.txt

啟動(dòng):

需要分別啟動(dòng)定時(shí)任務(wù)和api到Config.ini中配置你的SSDB到Schedule目錄下:>>>python ProxyRefreshSchedule.py到Api目錄下:>>>python ProxyApi.py

5、使用

定時(shí)任務(wù)啟動(dòng)后，會(huì)通過(guò)代理獲取方法fetch所有代理放入數(shù)據(jù)庫(kù)并驗(yàn)證。此后默認(rèn)每20分鐘會(huì)重復(fù)執(zhí)行一次。定時(shí)任務(wù)啟動(dòng)大概一兩分鐘后，便可在SSDB中看到刷新出來(lái)的可用的代理：

啟動(dòng)ProxyApi.py后即可在瀏覽器中使用接口獲取代理，一下是瀏覽器中的截圖:index頁(yè)面:

get頁(yè)面：

get_all頁(yè)面：

爬蟲(chóng)中使用，如果要在爬蟲(chóng)代碼中使用的話， 可以將此api封裝成函數(shù)直接使用，例如:

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

6、最后

時(shí)間倉(cāng)促，功能和代碼都比較簡(jiǎn)陋，以后有時(shí)間再改進(jìn)。喜歡的在github上給個(gè)star。感謝！