Python實現爬蟲代理池？

Python實現爬蟲代理池

在公司做分散式深網爬蟲，搭建了一套穩定的代理池服務，為上千個爬蟲提供有效的代理，保證各個爬蟲拿到的都是對應網站有效的代理IP，從而保證爬蟲快速穩定的運行，當然在公司做的東西不能開源出來。不過呢，閑暇時間手癢，所以就想利用一些免費的資源搞一個簡單的代理池服務。

1、問題

• 代理IP從何而來？

　　剛自學爬蟲的時候沒有代理IP就去西刺、快代理之類有免費代理的網站去爬，還是有個別代理能用。當然，如果你有更好的代理介面也可以自己接入。
　　免費代理的採集也很簡單，無非就是：訪問頁面頁面 —&> 正則/xpath提取 —&> 保存

• 如何保證代理質量？

　　可以肯定免費的代理IP大部分都是不能用的，不然別人為什麼還提供付費的(不過事實是很多代理商的付費IP也不穩定，也有很多是不能用)。所以採集回來的代理IP不能直接使用，可以寫檢測程序不斷的去用這些代理訪問一個穩定的網站，看是否可以正常使用。這個過程可以使用多線程或非同步的方式，因為檢測代理是個很慢的過程。

• 採集回來的代理如何存儲？

　　這裡不得不推薦一個高性能支持多種數據結構的NoSQL資料庫SSDB，用於代理Redis。支持隊列、hash、set、k-v對，支持T級別數據。是做分散式爬蟲很好中間存儲工具。

• 如何讓爬蟲更簡單的使用這些代理？

　　答案肯定是做成服務咯，python有這麼多的web框架，隨便拿一個來寫個api供爬蟲調用。這樣有很多好處，比如：當爬蟲發現代理不能使用可以主動通過api去delete代理IP，當爬蟲發現代理池IP不夠用時可以主動去refresh代理池。這樣比檢測程序更加靠譜。

　　代理池由四部分組成:

• ProxyGetter:

　　代理獲取介面，目前有5個免費代理源，每調用一次就會抓取這個5個網站的最新代理放入DB，可自行添加額外的代理獲取介面；

• DB:

　　用於存放代理IP，現在暫時只支持SSDB。至於為什麼選擇SSDB，大家可以參考這篇文章,個人覺得SSDB是個不錯的Redis替代方案，如果你沒有用過SSDB，安裝起來也很簡單，可以參考這裡；

• Schedule:

　　計劃任務用戶定時去檢測DB中的代理可用性，刪除不可用的代理。同時也會主動通過ProxyGetter去獲取最新代理放入DB；

• ProxyApi:

　　代理池的外部介面，由於現在這麼代理池功能比較簡單，花兩個小時看了下Flask，愉快的決定用Flask搞定。功能是給爬蟲提供get/delete/refresh等介面，方便爬蟲直接使用。

3、代碼模塊

　　Python中高層次的數據結構,動態類型和動態綁定,使得它非常適合於快速應用開發,也適合於作為膠水語言連接已有的軟體部件。用Python來搞這個代理IP池也很簡單，代碼分為6個模塊：

• Api:
  　　api介面相關代碼，目前api是由Flask實現，代碼也非常簡單。客戶端請求傳給Flask，Flask調用ProxyManager中的實現，包括get/delete/refresh/get_all；

• DB:
  　　資料庫相關代碼，目前資料庫是採用SSDB。代碼用工廠模式實現，方便日後擴展其他類型資料庫；

• Manager:
  　　get/delete/refresh/get_all等介面的具體實現類，目前代理池只負責管理proxy，日後可能會有更多功能，比如代理和爬蟲的綁定，代理和賬號的綁定等等；

• ProxyGetter:
  　　代理獲取的相關代碼，目前抓取了快代理、代理66、有代理、西刺代理、guobanjia這個五個網站的免費代理，經測試這個5個網站每天更新的可用代理只有六七十個，當然也支持自己擴展代理介面；

• Schedule:
  　　定時任務相關代碼，現在只是實現定時去刷新代碼，並驗證可用代理，採用多進程方式；

• Util:
  　　存放一些公共的模塊方法或函數，包含GetConfig:讀取配置文件config.ini的類，ConfigParse: 集成重寫ConfigParser的類，使其對大小寫敏感， Singleton:實現單例，LazyProperty:實現類屬性惰性計算。等等；

• 其他文件:
  　　配置文件:Config.ini,資料庫配置和代理獲取介面配置，可以在GetFreeProxy中添加新的代理獲取方法，並在Config.ini中註冊即可使用；

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:

pip install -r requirements.txt


啟動:

需要分別啟動定時任務和api
到Config.ini中配置你的SSDB

到Api目錄下:
&>&>&>python ProxyApi.py


5、使用

　　定時任務啟動後，會通過代理獲取方法fetch所有代理放入資料庫並驗證。此後默認每20分鐘會重複執行一次。定時任務啟動大概一兩分鐘後，便可在SSDB中看到刷新出來的可用的代理：

　　啟動ProxyApi.py後即可在瀏覽器中使用介面獲取代理，一下是瀏覽器中的截圖:

　　index頁面:

　　get：

　　get_all：

　　爬蟲中使用，如果要在爬蟲代碼中使用的話， 可以將此api封裝成函數直接使用，例如:

import requests

def spider():
# ....
requests.get("https://www.example.com", proxies={"http": "http://{}".format(get_proxy)})
# ....


6、最後

　　時間倉促，功能和代碼都比較簡陋，以後有時間再改進。喜歡的在github上給個star。感謝！

億牛雲爬蟲代理，動態家庭私密高匿代理ip，海量ip

adasniff/proxypool

參看源碼，支持手動配置數據源，驗證，以及api方式調用

啊呀我也做了一個，和上面的類似不過比較簡陋，用的是scrapy+redis實現，先佔個坑整理一下代碼再寫回復。