如何維護爬蟲程序中的代理ip庫？

12-30

代理ip有的變得連接很慢，甚至連不上，有什麼樣的機制可以讓ip列表保持較好的可用性？

爬蟲代理IP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。

2、代理池設計

　　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；

　　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Schedule目錄下:

&>&>&>python ProxyRefreshSchedule.py

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 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)}) # ....

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！

github項目地址:[https://github.com/jhao104/proxy_pool](https://github.com/jhao104/proxy_pool)

scrapy爬微博評論的時候用http://ipway.net這個代理

我也寫個代理池，你們都是Python我的C# 思路差不多https://github.com/wangqifan/ProxyPool

最簡單有效的方式，代理IP肯定是要使用的，在使用的時候進行驗證，如果無效直接捨棄。而工具最佳就是redis的set維護代理IP庫，使用smember做到共享使用，spop進行捨棄。至於代理IP如何驗證有效性，類似這種：

//轉自千界雲免費代理IP的獲取方式

public static boolean checkProxy(String ip, Integer port){

try {

//您的IP地址可以換成任何比較快的網頁

Jsoup.connect("Json在線解析及格式化驗證")

.timeout(3*1000)

.proxy(ip, port, null)

.get();

System.out.println(ip+":"+port);

return true;

} catch (Exception e) {

return false;

}

最近寫研究爬蟲大法，苦於對方反爬封IP，後來找到了http://www.natcp.com 的免費代理RestAPI介面搞定了，程序中自動調用，最近開放測試中，爬蟲小白們抓緊啦～快跟老司機上車～

現在驗證碼太厲害了，VPS撥號的IP以後估計越來越不行了

如果需要大量的ip代理池，找我們咯。5000個埠，500條線程並發，ip代理數以萬計。

在這一步就報錯了，求解釋啊，

如果有能力，自己建獨享代理IP伺服器，很穩定，不存在所謂的失效。

否則通過購買動態代理IP的，要設置驗證程序，把所有代理IP放在Redis或者其他文件中，按幾分鐘測試一遍，失效就刪除。

我是下了個驗證程序，用資料庫里的ip代理去訪問百度。。。然後不可用的就刪掉

不如創建一個驗證代理的服務吧，定期掃描庫存代理，更新可用性，遇到不可用的就刪除或者標記。