利用 Flask+Redis 维护 IP 代理池

代理池的维护

目前有不少网站提供免费代理，并且种类齐全，好比各个地区、各个匿名级别的都有，不过质量实在不敢恭维，毕竟都是免费公开的，可能一个代理无数我的在用也说不定。因此咱们须要作的是大量抓取这些免费代理，而后筛选出其中可用的代理存储起来供咱们使用，不可用的进行剔除。

获取代理途径

维护一个代理池第一步就是要找到提供免费代理的站点，例如PROXY360，网页内容以下：

能够看到网页里提供了一些免费代理列表，包括服务器地址、端口、代理种类、地区、更新时间等等信息。

当前咱们须要的就是代理服务器和端口信息，将其爬取下来便可。

维护代理

那么爬取下代理以后怎样保存呢？

首先咱们须要确保的目标是能够边取边存，另外还须要定时检查队列中不可用的代理将其剔除，因此须要易于存取。

另外怎样区分哪些是最新的可用的，哪些是旧的，若是用修改时间来标注是能够的，不过更简单的方法就是维护一个队列，只从一端存入，例如右端，这样就能确保最新的代理在队列右端，而在左端则是存入时间较长的代理，若是要取一个可用代理，从队列右端取一个就行了。

那么对于队列的左端，不能让它一直老化下去，还须要作的操做就是定时从队列左端取出代理，而后进行检测，若是可用，从新将其加入右端。

经过以上操做，就保证了代理一直是最新可用的。

因此目前来看，既能高效处理，又能够作到队列动态维护，合适的方法就是利用Redis数据库的队列。

能够定义一个类来维护一个Redis队列，好比get方法是批量从左端取出代理，put方法是从右端放入可用代理，pop方法是从右端取出最新可用代理。

import redis
from proxypool.error import PoolEmptyError
from proxypool.setting import HOST, PORT

class RedisClient(object):
    def __init__(self, host=HOST, port=PORT):
        self._db = redis.Redis(host, port)

    def get(self, count=1):
        proxies = self._db.lrange("proxies", 0, count - 1)
        self._db.ltrim("proxies", count, -1)
        return proxies

    def put(self, proxy):
        self._db.rpush("proxies", proxy)

    def pop(self):
        try:
            return self._db.rpop("proxies").decode('utf-8')
        except:
            raise PoolEmptyError

检测代理

那么如何来检测代理是否可用？可使用这个代理来请求某个站点，好比百度，若是得到正常的返回结果，那证实代理可用，不然代理不可用。

conn = RedisClient()
proxies = {'http': proxy}
r = requests.get('https://www.baidu.com', proxies=proxies)
if r.status_code == 200:
    conn.put(proxy)

例如在这里proxy就是要检测的代理，使用requests库设置好这个代理，而后请求百度，正常请求，那就能够将这个代理存入Redis。

获取可用代理

如今咱们维护了一个代理池，那么这个代理池须要是能够公用的。

好比如今有多个爬虫项目都须要用到代理，而代理池的维护做为另外的一个项目，他们之间若是要创建链接，最恰当的方式就是接口。

因此能够利用Web服务器来实现一个接口，其余的项目经过请求这个接口获得内容获取到一个可用代理，这样保证了代理池的通用性。

因此要实现这个还须要一个Web服务器，例如Flask，Tornado等等。

例如使用Flask，定义一个路由，而后调用的RedisClient的pop方法，返回结果便可。

@app.route('/')
def get_proxy():
    conn = RedisClient()
    return conn.pop()

这样一来，整个程序运行起来后，请求网页就能够看到一个可用代理了。

使用代理

使用代理时只须要请求这个站点，就能够拿到可以使用的代理了。

def get_proxy():
    r = requests.get('http://127.0.0.1:5000')
    return r.text

def crawl(url, proxy):
    proxies = {'http': get_proxy()}
    r = requests.get(url, proxies=proxies)
    # do something

能够定义一个简单的方法，返回网页内容即代理，而后在爬取方法里设置代理使用便可。

样例实现

https://github.com/Germey/ProxyPool

此文已由做者受权腾讯云技术社区发布，转载请注明文章出处