Python爬蟲簡易代理池
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；
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：
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:jhao104/proxy_pool博客:博客 - j_hao104的個人頁面http://weixin.qq.com/r/PUi_pqzEzPGzrejF9x0v (二維碼自動識別)
歡迎關注微信公眾號：Pythoner每日一報推薦閱讀：