Python爬虫代理池

爬虫代理IP池

在公司作分布式深网爬虫，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，固然在公司作的东西不能开源出来。不过呢，闲暇时间手痒，因此就想利用一些免费的资源搞一个简单的代理池服务。

一、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，仍是有个别代理能用。固然，若是你有更好的代理接口也能够本身接入。
  　　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？
  　　能够确定免费的代理IP大部分都是不能用的，否则别人为何还提供付费的(不过事实是不少代理商的付费IP也不稳定，也有不少是不能用)。因此采集回来的代理IP不能直接使用，能够写检测程序不断的去用这些代理访问一个稳定的网站，看是否能够正常使用。这个过程可使用多线程或异步的方式，由于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。是作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？
  　　答案确定是作成服务咯，python有这么多的web框架，随便拿一个来写个api供爬虫调用。这样有不少好处，好比：当爬虫发现代理不能使用能够主动经过api去delete代理IP，当爬虫发现代理池IP不够用时能够主动去refresh代理池。这样比检测程序更加靠谱。

  二、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，如今暂时只支持SSDB。至于为何选择SSDB，你们能够参考这篇文章,我的以为SSDB是个不错的Redis替代方案，若是你没有用过SSDB，安装起来也很简单，能够参考这里；
• 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。同时也会主动经过ProxyGetter去获取最新代理放入DB；
• ProxyApi:
  　　代理池的外部接口，因为如今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。
  
  

  三、代码模块

  　　Python中高层次的数据结构,动态类型和动态绑定,使得它很是适合于快速应用开发,也适合于做为胶水语言链接已有的软件部件。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，代码也很是简单。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，方便往后扩展其余类型数据库；
• 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，往后可能会有更多功能，好比代理和爬虫的绑定，代理和帐号的绑定等等；
• 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个网站天天更新的可用代理只有六七十个，固然也支持本身扩展代理接口；
• Schedule:
  　　定时任务相关代码，如今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；
• 其余文件:
  　　配置文件:Config.ini,数据库配置和代理获取接口配置，能够在GetFreeProxy中添加新的代理获取方法，并在Config.ini中注册便可使用；

  四、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:

  须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

  五、使用

  　　定时任务启动后，会经过代理获取方法fetch全部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，即可在SSDB中看到刷新出来的可用的代理：

　　启动ProxyApi.py后便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：
    
　　get_all页面：
　　

　　爬虫中使用，若是要在爬虫代码中使用的话， 能够将此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)})
    # ....

六、最后

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

　　github项目地址：https://github.com/jhao104/proxy_pool

　　我的博客：http://www.spiderpy.cn/

      欢迎关注微信公众号：Pythoner每日一报

    

​