做网络爬虫一般对代理IP的需求量比较大。因为在爬取网站信息的过程中，很多网站做了反爬虫策略，可能会对每个IP做频次控制。这样我们在爬取网站时就需要很多代理IP。
一般通过一下几种途径获取到ip：
1.从免费的网站上获取，获取的工作量非常大，ip可用率低，质量没有保障，获取到仅有的ip还未必安全，所以一般专业爬虫的工作者，不会去抓取免费代理ip。
2.在平台购买现成收费的代理ip，ip质量高，高匿安全稳定，ip速度快，从而节约更多的时间去增加工作效率，如开心代理ip就是非常不错代理软件平台，ip丰富，自建机房比遍布全国，专业技术团队，优质的售后服务，是一家值得信赖的高质量代理ip服务商。
3.自己搭建代理服务器，建立独立机房，完全按自己的要求去搭建，代理ip绝对完美，但是搭建成本非常高，后期还需要专业的人定期代理维护，在性价比的情况下，还是不太适合适用。
本文的代理IP池是通过爬虫事先从多个免费网站上获取代理IP之后，再做检查判断IP是否可用，可用的话就存放到MongoDB中，最后展示到前端的页面上。
获取可用Proxy
获取代理的核心代码是ProxyManager，它采用RxJava2来实现，主要做了以下几件事：
创建ParallelFlowable，针对每一个提供免费代理IP的页面并行地抓取。
Flowable.fromIterable(ProxyPool.proxyMap.keySet())
.parallel()
针对每一个页面进行抓取，返回List
map(new Function() {
@Override
public List apply(String s) throws Exception {
try {
return new ProxyPageCallable(s).call();
} catch (Exception e) {
e.printStackTrace();
}
return null;
}
})
对每一个页面获取的代理IP列表进行校验，判断是否可用
flatMap(new Function() {
@Override
public Publisher apply(List proxies) throws Exception {
if (proxies == null) return null;
List result = proxies.stream()
.parallel()
.filter(new Predicate() {
@Override
public boolean test(Proxy proxy) {
HttpHost httpHost = new HttpHost(proxy.getIp(), proxy.getPort(), proxy.getType());
return HttpManager.get().checkProxy(httpHost);
}
}).collect(Collectors.toList());
return Flowable.fromIterable(result);
}
})
依次保存到proxyList
subscribe(new Consumer() {
@Override
public void accept(Proxy proxy) throws Exception {
log.debug("Result Proxy = "+proxy.getType()+"://"+proxy.getIp()+":"+proxy.getPort());
proxy.setLastSuccessfulTime(new Date().getTime());
ProxyPool.proxyList.add(proxy);
}
});
ProxyManager代码：
import com.cv4j.proxy.domain.Proxy;import com.cv4j.proxy.http.HttpManager;import com.cv4j.proxy.task.ProxyPageCallable;import io.reactivex.Flowable;import io.reactivex.functions.Consumer;import io.reactivex.functions.Function;import lombok.extern.slf4j.Slf4j;import org.apache.http.HttpHost;import org.reactivestreams.Publisher;import org.springframework.stereotype.Component;import java.util.Date;import java.util.List;import java.util.function.Predicate;import java.util.stream.Collectors;/**
* Created by tony on 2017/10/25.
*/@Slf4j@Componentpublic class ProxyManager {
/**
* 抓取代理，成功的代理存放到ProxyPool中
*/
public void start() {
Flowable.fromIterable(ProxyPool.proxyMap.keySet())
.parallel()
.map(new Function() {
@Override
public List apply(String s) throws Exception {
try {
return new ProxyPageCallable(s).call();
} catch (Exception e) {
e.printStackTrace();
}
return null;
}
})
.flatMap(new Function() {
@Override
public Publisher apply(List proxies) throws Exception {
if (proxies == null) return null;
List result = proxies.stream()
.parallel()
.filter(new Predicate() {
@Override
public boolean test(Proxy proxy) {
HttpHost httpHost = new HttpHost(proxy.getIp(), proxy.getPort(), proxy.getType());
return HttpManager.get().checkProxy(httpHost);
}
}).collect(Collectors.toList());
return Flowable.fromIterable(result);
}
})
.sequential()
.subscribe(new Consumer() {
@Override
public void accept(Proxy proxy) throws Exception {
log.debug("Result Proxy = "+proxy.getType()+"://"+proxy.getIp()+":"+proxy.getPort());
proxy.setLastSuccessfulTime(new Date().getTime());
ProxyPool.proxyList.add(proxy);
}
});
}}
定时任务
每隔几个小时跑一次定时任务，在抓取完任务之后先删除旧的数据，然后再把新的数据插入到MongoDB中。
import com.cv4j.proxy.ProxyManager;import com.cv4j.proxy.ProxyPool;import com.cv4j.proxy.dao.ProxyDao;import com.cv4j.proxy.domain.Proxy;import com.safframework.tony.common.utils.Preconditions;import org.springframework.beans.factory.annotation.Autowired;import org.springframework.scheduling.annotation.Scheduled;import org.springframework.stereotype.Component;import java.util.concurrent.CopyOnWriteArrayList;/**
* Created by tony on 2017/11/22.
*/@Componentpublic class ScheduleJobs {
@Autowired
ProxyDao proxyDao;
@Autowired
ProxyManager proxyManager;
/**
* 每六个小时跑一次任务
*/
@Scheduled(cron = "0 0 */6 * * ?")
public void cronJob() {
System.out.println("Job Start...");
proxyManager.start();
CopyOnWriteArrayList list = ProxyPool.proxyList;
// 先删除旧的数据
proxyDao.deleteAll();
// 然后再进行插入新的proxy
if (Preconditions.isNotBlank(list)) {
for (Proxy p:list) {
proxyDao.saveProxy(p);
}
}
System.out.println("Job End...");
}}
展示到前端
在使用前，还可以再做一次检测，只要双击某个代理IP即可。
在第二次检测时，对于已经失效的IP会被ProxyPool删除
文章来源于：代理ip知识与免费资源 - 开心代理IP平台|高质量代理IP|免费代理IP