Python爬蟲(chóng)代理IP池實(shí)現(xiàn)方法
在公司做分布式深網(wǎng)爬蟲(chóng),搭建了一套穩(wěn)定的代理池服務(wù),為上千個(gè)爬蟲(chóng)提供有效的代理,保證各個(gè)爬蟲(chóng)拿到的都是對(duì)應(yīng)網(wǎng)站有效的代理IP,從而保證爬蟲(chóng)快速穩(wěn)定的運(yùn)行,當(dāng)然在公司做的東西不能開(kāi)源出來(lái)。不過(guò)呢,閑暇時(shí)間手癢,所以就想利用一些免費(fèi)的資源搞一個(gè)簡(jiǎn)單的代理池服務(wù)。
1、問(wèn)題
代理IP從何而來(lái)?
剛自學(xué)爬蟲(chóng)的時(shí)候沒(méi)有代理IP就去西刺、快代理之類有免費(fèi)代理的網(wǎng)站去爬,還是有個(gè)別代理能用。當(dāng)然,如果你有更好的代理接口也可以自己接入。 免費(fèi)代理的采集也很簡(jiǎn)單,無(wú)非就是:訪問(wèn)頁(yè)面頁(yè)面 —> 正則/xpath提取 —> 保存
如何保證代理質(zhì)量?
可以肯定免費(fèi)的代理IP大部分都是不能用的,不然別人為什么還提供付費(fèi)的(不過(guò)事實(shí)是很多代理商的付費(fèi)IP也不穩(wěn)定,也有很多是不能用)。所以采集回來(lái)的代理IP不能直接使用,可以寫檢測(cè)程序不斷的去用這些代理訪問(wèn)一個(gè)穩(wěn)定的網(wǎng)站,看是否可以正常使用。這個(gè)過(guò)程可以使用多線程或異步的方式,因?yàn)闄z測(cè)代理是個(gè)很慢的過(guò)程。
采集回來(lái)的代理如何存儲(chǔ)?
這里不得不推薦一個(gè)高性能支持多種數(shù)據(jù)結(jié)構(gòu)的NoSQL數(shù)據(jù)庫(kù)SSDB,用于代理Redis。支持隊(duì)列、hash、set、k-v對(duì),支持T級(jí)別數(shù)據(jù)。是做分布式爬蟲(chóng)很好中間存儲(chǔ)工具。
如何讓爬蟲(chóng)更簡(jiǎn)單的使用這些代理?
答案肯定是做成服務(wù)咯,python有這么多的web框架,隨便拿一個(gè)來(lái)寫個(gè)api供爬蟲(chóng)調(diào)用。這樣有很多好處,比如:當(dāng)爬蟲(chóng)發(fā)現(xiàn)代理不能使用可以主動(dòng)通過(guò)api去delete代理IP,當(dāng)爬蟲(chóng)發(fā)現(xiàn)代理池IP不夠用時(shí)可以主動(dòng)去refresh代理池。這樣比檢測(cè)程序更加靠譜。
2、代理池設(shè)計(jì)
代理池由四部分組成:
ProxyGetter:
代理獲取接口,目前有5個(gè)免費(fèi)代理源,每調(diào)用一次就會(huì)抓取這個(gè)5個(gè)網(wǎng)站的最新代理放入DB,可自行添加額外的代理獲取接口;
DB:
用于存放代理IP,現(xiàn)在暫時(shí)只支持SSDB。至于為什么選擇SSDB,大家可以參考這篇文章,個(gè)人覺(jué)得SSDB是個(gè)不錯(cuò)的Redis替代方案,如果你沒(méi)有用過(guò)SSDB,安裝起來(lái)也很簡(jiǎn)單,可以參考這里;
Schedule:
計(jì)劃任務(wù)用戶定時(shí)去檢測(cè)DB中的代理可用性,刪除不可用的代理。同時(shí)也會(huì)主動(dòng)通過(guò)ProxyGetter去獲取最新代理放入DB;
ProxyApi:
代理池的外部接口,由于現(xiàn)在這么代理池功能比較簡(jiǎn)單,花兩個(gè)小時(shí)看了下Flask,愉快的決定用Flask搞定。功能是給爬蟲(chóng)提供get/delete/refresh等接口,方便爬蟲(chóng)直接使用。
[HTML_REMOVED] 設(shè)計(jì)
3、代碼模塊
Python中高層次的數(shù)據(jù)結(jié)構(gòu),動(dòng)態(tài)類型和動(dòng)態(tài)綁定,使得它非常適合于快速應(yīng)用開(kāi)發(fā),也適合于作為膠水語(yǔ)言連接已有的軟件部件。用Python來(lái)搞這個(gè)代理IP池也很簡(jiǎn)單,代碼分為6個(gè)模塊:
Api: api接口相關(guān)代碼,目前api是由Flask實(shí)現(xiàn),代碼也非常簡(jiǎn)單??蛻舳苏?qǐng)求傳給Flask,F(xiàn)lask調(diào)用ProxyManager中的實(shí)現(xiàn),包括get/delete/refresh/get_all
;
DB: 數(shù)據(jù)庫(kù)相關(guān)代碼,目前數(shù)據(jù)庫(kù)是采用SSDB。代碼用工廠模式實(shí)現(xiàn),方便日后擴(kuò)展其他類型數(shù)據(jù)庫(kù);
Manager: get/delete/refresh/get_all
等接口的具體實(shí)現(xiàn)類,目前代理池只負(fù)責(zé)管理proxy,日后可能會(huì)有更多功能,比如代理和爬蟲(chóng)的綁定,代理和賬號(hào)的綁定等等;
ProxyGetter: 代理獲取的相關(guān)代碼,目前抓取了快代理、代理66、有代理、西刺代理、guobanjia這個(gè)五個(gè)網(wǎng)站的免費(fèi)代理,經(jīng)測(cè)試這個(gè)5個(gè)網(wǎng)站每天更新的可用代理只有六七十個(gè),當(dāng)然也支持自己擴(kuò)展代理接口;
Schedule: 定時(shí)任務(wù)相關(guān)代碼,現(xiàn)在只是實(shí)現(xiàn)定時(shí)去刷新代碼,并驗(yàn)證可用代理,采用多進(jìn)程方式;
Util: 存放一些公共的模塊方法或函數(shù),包含GetConfig
:讀取配置文件config.ini的類,ConfigParse
: 集成重寫ConfigParser
的類,使其對(duì)大小寫敏感, Singleton
:實(shí)現(xiàn)單例,LazyProperty
:實(shí)現(xiàn)類屬性惰性計(jì)算。等等;
其他文件: 配置文件:Config.ini,數(shù)據(jù)庫(kù)配置和代理獲取接口配置,可以在GetFreeProxy中添加新的代理獲取方法,并在Config.ini中注冊(cè)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(dòng):
需要分別啟動(dòng)定時(shí)任務(wù)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(shí)任務(wù)啟動(dòng)后,會(huì)通過(guò)代理獲取方法fetch所有代理放入數(shù)據(jù)庫(kù)并驗(yàn)證。此后默認(rèn)每20分鐘會(huì)重復(fù)執(zhí)行一次。定時(shí)任務(wù)啟動(dòng)大概一兩分鐘后,便可在SSDB中看到刷新出來(lái)的可用的代理:
啟動(dòng)ProxyApi.py后即可在瀏覽器中使用接口獲取代理,一下是瀏覽器中的截圖:
index頁(yè)面:
get頁(yè)面:
get_all頁(yè)面:
爬蟲(chóng)中使用,如果要在爬蟲(chóng)代碼中使用的話, 可以將此api封裝成函數(shù)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、最后
時(shí)間倉(cāng)促,功能和代碼都比較簡(jiǎn)陋,以后有時(shí)間再改進(jìn)。喜歡的在github上給個(gè)star。感謝!
項(xiàng)目地址:https://github.com/jhao104/proxy_pool
相關(guān)文章
python實(shí)現(xiàn)簡(jiǎn)單聊天室功能 可以私聊
這篇文章主要為大家詳細(xì)介紹了python實(shí)現(xiàn)簡(jiǎn)單聊天室功能,可以進(jìn)行私聊,具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下2019-07-07關(guān)于torch.scatter與torch_scatter庫(kù)的使用整理
這篇文章主要介紹了關(guān)于torch.scatter與torch_scatter庫(kù)的使用整理,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-09-09Python實(shí)現(xiàn)Telnet自動(dòng)連接檢測(cè)密碼的示例
這篇文章主要介紹了Python實(shí)現(xiàn)Telnet自動(dòng)連接檢測(cè)密碼的示例,幫助大家更好的理解和學(xué)習(xí)使用python,感興趣的朋友可以了解下2021-04-04python實(shí)現(xiàn)對(duì)excel進(jìn)行數(shù)據(jù)剔除操作實(shí)例
python在數(shù)據(jù)分析這方便的介紹應(yīng)該不用多說(shuō)了,下面這篇文章主要給大家介紹了關(guān)于利用python實(shí)現(xiàn)對(duì)excel進(jìn)行數(shù)據(jù)剔除操作的相關(guān)資料,文中通過(guò)示例代碼介紹的非常詳細(xì),需要的朋友可以參考借鑒,下面來(lái)一起看看吧。2017-12-12python使用多線程查詢數(shù)據(jù)庫(kù)的實(shí)現(xiàn)示例
這篇文章主要介紹了python使用多線程查詢數(shù)據(jù)庫(kù)的實(shí)現(xiàn)示例,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-08-08python使用Pycharm創(chuàng)建一個(gè)Django項(xiàng)目
這篇文章主要介紹了python使用Pycharm創(chuàng)建一個(gè)Django項(xiàng)目,小編覺(jué)得挺不錯(cuò)的,現(xiàn)在分享給大家,也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧2018-03-03如何利用python創(chuàng)建、讀取和修改CSV數(shù)據(jù)文件
csv文件與txt文件類似,區(qū)別點(diǎn)就是在csv文件中,字段間使用“,”或“|”隔開(kāi),達(dá)到類似與表格的效果,下面這篇文章主要給大家介紹了關(guān)于如何利用python創(chuàng)建、讀取和修改CSV數(shù)據(jù)文件的相關(guān)資料,需要的朋友可以參考下2022-05-05python判斷一個(gè)集合是否包含了另外一個(gè)集合中所有項(xiàng)的方法
這篇文章主要介紹了python判斷一個(gè)集合是否包含了另外一個(gè)集合中所有項(xiàng)的方法,涉及Python集合操作的相關(guān)技巧,需要的朋友可以參考下2015-06-06