Python实现爬虫代理池？

爬虫代理IP池

在公司做分布式深网爬虫，搭建了一套稳定的代理池服务，为上千个爬虫提供有效的代理，保证各个爬虫拿到的都是对应网站有效的代理IP，从而保证爬虫快速稳定的运行，当然在公司做的东西不能开源出来。不过呢，闲暇时间手痒，所以就想利用一些免费的资源搞一个简单的代理池服务。

1、问题

代理IP从何而来？

　　刚自学爬虫的时候没有代理IP就去西刺、快代理之类有免费代理的网站去爬，还是有个别代理能用。当然，如果你有更好的代理接口也可以自己接入。　　免费代理的采集也很简单，无非就是：访问页面页面 —> 正则/xpath提取 —> 保存

如何保证代理质量？

　　可以肯定免费的代理IP大部分都是不能用的，不然别人为什么还提供付费的(不过事实是很多代理商的付费IP也不稳定，也有很多是不能用)。所以采集回来的代理IP不能直接使用，可以写检测程序不断的去用这些代理访问一个稳定的网站，看是否可以正常使用。这个过程可以使用多线程或异步的方式，因为检测代理是个很慢的过程。

采集回来的代理如何存储？

　　这里不得不推荐一个高性能支持多种数据结构的NoSQL数据库SSDB，用于代理Redis。支持队列、hash、set、k-v对，支持T级别数据。是做分布式爬虫很好中间存储工具。

如何让爬虫更简单的使用这些代理？

　　答案肯定是做成服务咯，python有这么多的web框架，随便拿一个来写个api供爬虫调用。这样有很多好处，比如：当爬虫发现代理不能使用可以主动通过api去delete代理IP，当爬虫发现代理池IP不够用时可以主动去refresh代理池。这样比检测程序更加靠谱。

2、代理池设计

　　代理池由四部分组成:

ProxyGetter:

　　代理获取接口，目前有5个免费代理源，每调用一次就会抓取这个5个网站的最新代理放入DB，可自行添加额外的代理获取接口；

DB:

　　用于存放代理IP，现在暂时只支持SSDB。至于为什么选择SSDB，大家可以参考这篇文章,个人觉得SSDB是个不错的Redis替代方案，如果你没有用过SSDB，安装起来也很简单，可以参考这里；

Schedule:

　　计划任务用户定时去检测DB中的代理可用性，删除不可用的代理。同时也会主动通过ProxyGetter去获取最新代理放入DB；

ProxyApi:

　　代理池的外部接口，由于现在这么代理池功能比较简单，花两个小时看了下Flask，愉快的决定用Flask搞定。功能是给爬虫提供get/delete/refresh等接口，方便爬虫直接使用。

3、代码模块

　　Python中高层次的数据结构,动态类型和动态绑定,使得它非常适合于快速应用开发,也适合于作为胶水语言连接已有的软件部件。用Python来搞这个代理IP池也很简单，代码分为6个模块：

Api:　　api接口相关代码，目前api是由Flask实现，代码也非常简单。客户端请求传给Flask，Flask调用ProxyManager中的实现，包括get/delete/refresh/get_all；

DB:　　数据库相关代码，目前数据库是采用SSDB。代码用工厂模式实现，方便日后扩展其他类型数据库；

Manager:　　get/delete/refresh/get_all等接口的具体实现类，目前代理池只负责管理proxy，日后可能会有更多功能，比如代理和爬虫的绑定，代理和账号的绑定等等；

ProxyGetter:　　代理获取的相关代码，目前抓取了快代理、代理66、有代理、西刺代理、guobanjia这个五个网站的免费代理，经测试这个5个网站每天更新的可用代理只有六七十个，当然也支持自己扩展代理接口；

Schedule:　　定时任务相关代码，现在只是实现定时去刷新代码，并验证可用代理，采用多进程方式；

Util:　　存放一些公共的模块方法或函数，包含GetConfig:读取配置文件config.ini的类，ConfigParse: 集成重写ConfigParser的类，使其对大小写敏感， Singleton:实现单例，LazyProperty:实现类属性惰性计算。等等；

其他文件:　　配置文件:Config.ini,数据库配置和代理获取接口配置，可以在GetFreeProxy中添加新的代理获取方法，并在Config.ini中注册即可使用；

4、安装

下载代码:

git clone [email protected]:jhao104/proxy_pool.git 或者直接到 下载zip文件

安装依赖:

pip install -r requirements.txt

启动:

需要分别启动定时任务和api 到Config.ini中配置你的SSDB 到Schedule目录下: >>>python ProxyRefreshSchedule.py 到Api目录下: >>>python ProxyApi.py

5、使用

　　定时任务启动后，会通过代理获取方法fetch所有代理放入数据库并验证。此后默认每20分钟会重复执行一次。定时任务启动大概一两分钟后，便可在SSDB中看到刷新出来的可用的代理：

　　启动ProxyApi.py后即可在浏览器中使用接口获取代理，一下是浏览器中的截图:

　　index页面:

　　get：

　　get_all：

　　爬虫中使用，如果要在爬虫代码中使用的话， 可以将此api封装成函数直接使用，例如:

import requests def get_proxy(): return requests.get(":5000/get/").content def delete_proxy(proxy): requests.get(":5000/delete/?proxy={}".format(proxy)) # your spider code def spider(): # .... requests.get( proxies={"http": "http://{}".format(get_proxy)}) # ....

6、最后

　　时间仓促，功能和代码都比较简陋，以后有时间再改进。喜欢的在github上给个star。感谢！

项目地址:

https://github.com/jhao104/proxy_pool

​

python爬虫之代理池的维护

代理池的维护

1.原因：

网上有大量公开的免费代理和付费代理，但无论是哪种代理，我们都不能保证是可用的，因为可能有各种原因导致代理不可用，这肯定会影响爬虫的效率，所以我们需要提前做筛选，将不可用的代理删除掉，保留可用代理，所以我们需要搭建一个高效的代理池

2代理池基本模架构：

存储模块：

负责存储抓取下来的代理，保证代理不重复，标识代理的可用情况，动态实时处理每个代理，采用Redis的Sorted Set，即有序集合来存储代理

获取模块：

需要定时在各大代理网站去抓取代理,代理的形式都是IP加端口，尽量从不同来源获取，并保存到数据库

接口模块：

需要API来提供对外服务的接口。如设置一个web API接口，接口通过连接数据库并通过web形式返回可用的代理

检测模块：

需要定时检测数据库中的代理。

1。需要设置一个检测链接，最好是爬取哪个网站就检测哪个网站，这样更加有针对性

2. 需要标识每一个代理的状态，如设置分数标识。

3.代理池的实现：

存储模块：

这里我们使用Redis的有序集合来存储代理，代理存储的形式为ip+端口的形式存储，且有序集合的每一个元素都有一个分数字段，这个分数字段表示此这个代理的可用程度，从0-100分，有序集合会根据每一个元素的分数对集合进行排序

当检测到代理分数小于0分时，此代理则被移除代理池，当检测到这个代理可用是时，分数则只为100，这样可以保证所有可用代理有更大的机会被获取。当检测到这个代理不可用时，分数减1，减到0就被移除。

当新的 代理被获取时，这个新代理的分数被置为10分。

代码实现如下：

获取模块：

我们将获取代理的每个方法统一定义为craw开头，这样扩展的时候只需要添加craw开头的方法即可，这里实现了几个实例，如proxy360，goubanjia等网站。

这里的一个难点是如何动态的获取所有以craw开头的方法呢？

这里借助了元类mateclass来实现，对此有疑惑的同学需要先去了解一下python的元类

我们通过在元类中的__new__()方法中的attrs参数来获取类的所有方法信息，也就是以craw开头的方法，只要遍历attrs属性即可。

代码实现如下：

下属代码中的get_page()方法是获取页面源代码的方法，可以通过requests库来实现。

在上述代码定义完获取网页代理的方法后，我们还需要定义一类来动态的调用所有以craw开头的方法，然后获取抓取到的代理，将其加入到数据库中存储起来。

代码的实现：

检测模块：

在运行这个模块之前，我们已经将各个要爬取的代理网站中的代理都获取下来并存储到数据库中去了，接下来要做的就是检测代理是否可用，可用为100分，不可用则减1分，直到0分为止。

在这里我们为了提高检测效率，我们使用异步请求库aiohttp来进行检测。

request是一个同步请求库，在请求页面时候，有时候页面的加载较慢，这时就会堵塞等待响应，在这段时间内我们完全可以去做其他事情，这便是aiohttp库的用处之一，可以在阻塞时去做其他事情，大大提高效率。

代码的实现如下：

代码中的async关键词是代表这个方法是异步的

接口模块：

上述的三个模块，我们可以做到了代理的获取，存储和检测。

为了更方便的获取可用代理，并且为了避免以下的问题：

如果代理池需要部署在其他远程服务器上，而远程Redis只允许本地连接，那么我们则无法获取代理

如果爬虫运行的主机没有redis或者爬虫并不是python语言编写的，那么我们就无法使用代理

为了避免以上的问题，我们使用web API的形式来提供有用代理

在这里我们使用flask来实现这个接口模块

代码实现如下：

接口模块：

调度模块就是调用以上所定义的三个模块，将这三个模块一多线程的形式运行起来代码实现如下：TESTER_ENABLED，GETTER_ENABLED，API_ENABLED三个常量表示三个模块的开关，如果都为True，则代表模块开启

4.运行结果：

可用代理显示在页面上，需要的只需要访问页面爬取下来即可

这里推荐一款适合爬虫的代理ip，遍及全国200多个城市，千万级IP池，24小时自动去重，IP可用率超越95%，稳定、高效、高匿，具有强大的技术团队，7*24处理运用中的问题，现在注册还能免费领取一万代理IP

代理云 - 可视化用户控制台​console.v4.dailiyun.com/user/?channel=wyh-zh

adasniff/proxypool

参看源码，支持手动配置数据源，验证，以及api方式调用

啊呀我也做了一个，和上面的类似不过比较简陋，用的是scrapy+redis实现，先占个坑整理一下代码再写回复。