240 lines
9.3 KiB
Markdown
240 lines
9.3 KiB
Markdown
|
||
爬虫IP代理池
|
||
=======
|
||
[](https://travis-ci.org/jhao104/proxy_pool)
|
||
[](http://www.spiderpy.cn/blog/)
|
||
[](https://requires.io/github/jhao104/proxy_pool/requirements/?branch=master)
|
||
[](https://github.com/jhao104/proxy_pool/blob/master/LICENSE)
|
||
[](https://github.com/jhao104/proxy_pool/graphs/contributors)
|
||
[](https://github.com/jhao104/proxy_pool)
|
||
|
||
______ ______ _
|
||
| ___ \_ | ___ \ | |
|
||
| |_/ / \__ __ __ _ __ _ | |_/ /___ ___ | |
|
||
| __/| _// _ \ \ \/ /| | | || __// _ \ / _ \ | |
|
||
| | | | | (_) | > < \ |_| || | | (_) | (_) || |___
|
||
\_| |_| \___/ /_/\_\ \__ |\_| \___/ \___/ \_____\
|
||
__ / /
|
||
/___ /
|
||
|
||
##### [介绍文档](https://github.com/jhao104/proxy_pool/blob/master/doc/introduce.md)
|
||
|
||
* 支持版本:  
|
||
|
||
* 测试地址: http://118.24.52.95 (单机勿压, 感谢。 恶意访问关[小黑屋](https://github.com/jhao104/proxy_pool/blob/bff423dffe6e2881ee45d5b66d8a6ad682c8e4ab/doc/block_ips.md)哦)
|
||
|
||
### 下载安装
|
||
|
||
* 下载源码:
|
||
|
||
```shell
|
||
git clone git@github.com:jhao104/proxy_pool.git
|
||
|
||
或者直接到https://github.com/jhao104/proxy_pool/releases 下载zip文件
|
||
```
|
||
|
||
* 安装依赖:
|
||
|
||
```shell
|
||
pip install -r requirements.txt
|
||
```
|
||
|
||
* 配置Config/setting.py:
|
||
|
||
```shell
|
||
# Config/setting.py 为项目配置文件
|
||
|
||
# 配置DB
|
||
DATABASES = {
|
||
"default": {
|
||
"TYPE": "SSDB", # 目前支持SSDB或REDIS数据库
|
||
"HOST": "127.0.0.1", # db host
|
||
"PORT": 8888, # db port，例如SSDB通常使用8888，REDIS通常默认使用6379
|
||
"NAME": "proxy", # 默认配置
|
||
"PASSWORD": "" # db password
|
||
|
||
}
|
||
}
|
||
|
||
|
||
# 配置 ProxyGetter
|
||
|
||
PROXY_GETTER = [
|
||
"freeProxy01", # 这里是启用的代理抓取函数名，可在ProxyGetter/getFreeProxy.py 扩展
|
||
"freeProxy02",
|
||
....
|
||
]
|
||
|
||
|
||
# 配置 API服务
|
||
|
||
SERVER_API = {
|
||
"HOST": "0.0.0.0", # 监听ip, 0.0.0.0 监听所有IP
|
||
"PORT": 5010 # 监听端口
|
||
}
|
||
|
||
# 上面配置启动后，代理池访问地址为 http://127.0.0.1:5010
|
||
|
||
```
|
||
|
||
* 启动:
|
||
|
||
```shell
|
||
# 如果你的依赖已经安装完成并且具备运行条件,可以在cli目录下通过ProxyPool.py启。动
|
||
# 程序分为: schedule 调度程序 和 webserver Api服务
|
||
|
||
# 首先启动调度程序
|
||
>>>python proxyPool.py schedule
|
||
|
||
# 然后启动webApi服务
|
||
>>>python proxyPool.py webserver
|
||
|
||
|
||
```
|
||
|
||
### Docker
|
||
|
||
```bash
|
||
docker pull jhao104/proxy_pool
|
||
|
||
# 远程数据库
|
||
docker run --env db_type=REDIS --env db_host=x.x.x.x --env db_port=6379 --env db_password=pwd_str -p 5010:5010 jhao104/proxy_pool
|
||
|
||
# 宿主机上的数据库
|
||
docker run --env db_type=REDIS --env db_host=host.docker.internal --env db_port=6379 --env db_password=pwd_str -p 5010:5010 jhao104/proxy_pool
|
||
|
||
```
|
||
|
||
|
||
### 使用
|
||
|
||
启动过几分钟后就能看到抓取到的代理IP，你可以直接到数据库中查看，推荐一个[SSDB可视化工具](https://github.com/jhao104/SSDBAdmin)。
|
||
|
||
也可以通过api访问http://127.0.0.1:5010 查看。
|
||
|
||
* Api
|
||
|
||
| api | method | Description | arg|
|
||
| ----| ---- | ---- | ----|
|
||
| / | GET | api介绍 | None |
|
||
| /get | GET | 随机获取一个代理 | None|
|
||
| /get_all | GET | 获取所有代理 |None|
|
||
| /get_status | GET | 查看代理数量 |None|
|
||
| /delete | GET | 删除代理 |proxy=host:ip|
|
||
|
||
* 爬虫使用
|
||
|
||
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：
|
||
|
||
```python
|
||
import requests
|
||
|
||
def get_proxy():
|
||
return requests.get("http://127.0.0.1:5010/get/").json()
|
||
|
||
def delete_proxy(proxy):
|
||
requests.get("http://127.0.0.1:5010/delete/?proxy={}".format(proxy))
|
||
|
||
# your spider code
|
||
|
||
def getHtml():
|
||
# ....
|
||
retry_count = 5
|
||
proxy = get_proxy().get("proxy")
|
||
while retry_count > 0:
|
||
try:
|
||
html = requests.get('http://www.example.com', proxies={"http": "http://{}".format(proxy)})
|
||
# 使用代理访问
|
||
return html
|
||
except Exception:
|
||
retry_count -= 1
|
||
# 出错5次, 删除代理池中代理
|
||
delete_proxy(proxy)
|
||
return None
|
||
```
|
||
|
||
### 扩展代理
|
||
|
||
项目默认包含几个免费的代理获取方法，但是免费的毕竟质量不好，所以如果直接运行可能拿到的代理质量不理想。所以，提供了代理获取的扩展方法。
|
||
|
||
添加一个新的代理获取方法如下:
|
||
|
||
* 1、首先在[GetFreeProxy](https://github.com/jhao104/proxy_pool/blob/b9ccdfaada51b57cfb1bbd0c01d4258971bc8352/ProxyGetter/getFreeProxy.py#L32)类中添加你的获取代理的静态方法，
|
||
该方法需要以生成器(yield)形式返回`host:ip`格式的代理，例如:
|
||
|
||
```python
|
||
|
||
class GetFreeProxy(object):
|
||
# ....
|
||
|
||
# 你自己的方法
|
||
@staticmethod
|
||
def freeProxyCustom(): # 命名不和已有重复即可
|
||
|
||
# 通过某网站或者某接口或某数据库获取代理 任意你喜欢的姿势都行
|
||
# 假设你拿到了一个代理列表
|
||
proxies = ["139.129.166.68:3128", "139.129.166.61:3128", ...]
|
||
for proxy in proxies:
|
||
yield proxy
|
||
# 确保每个proxy都是 host:ip正确的格式就行
|
||
```
|
||
|
||
* 2、添加好方法后，修改Config/setting.py文件中的`PROXY_GETTER`项：
|
||
|
||
在`PROXY_GETTER`下添加自定义的方法的名字:
|
||
|
||
```shell
|
||
PROXY_GETTER = [
|
||
"freeProxy01",
|
||
"freeProxy02",
|
||
....
|
||
"freeProxyCustom" # # 确保名字和你添加方法名字一致
|
||
]
|
||
```
|
||
|
||
|
||
`ProxySchedule`会每隔一段时间抓取一次代理，下次抓取时会自动识别调用你定义的方法。
|
||
|
||
### 代理采集
|
||
|
||
目前实现的采集免费代理网站有(排名不分先后, 下面仅是对其发布的免费代理情况, 付费代理测评可以参考[这里](https://zhuanlan.zhihu.com/p/33576641)):
|
||
|
||
| 厂商名称 | 状态 | 更新速度 | 可用率 | 是否被墙 | 地址 |
|
||
| ----- | ---- | -------- | ------ | --------- | ----- |
|
||
| 无忧代理 | 可用 | 几分钟一次 | * | 否 | [地址](http://www.data5u.com/free/index.html) |
|
||
| 66代理 | 可用 | 更新很慢 | * | 否 | [地址](http://www.66ip.cn/) |
|
||
| 西刺代理 | 可用 | 几分钟一次 | * | 否 | [地址](http://www.xicidaili.com)|
|
||
| 全网代理 | 可用 | 几分钟一次 | * | 否 | [地址](http://www.goubanjia.com/)|
|
||
| 训代理 | 已关闭免费代理 | * | * | 否 | [地址](http://www.xdaili.cn/)|
|
||
| 快代理 | 可用 |几分钟一次| * | 否 | [地址](https://www.kuaidaili.com/)|
|
||
| 云代理 | 可用 |几分钟一次| * | 否 | [地址](http://www.ip3366.net/)|
|
||
| IP海 | 可用 |几小时一次| * | 否 | [地址](http://www.iphai.com/)|
|
||
| 免费IP代理库 | 可用 |快| * | 否 | [地址](http://ip.jiangxianli.com/)|
|
||
| 中国IP地址 | 可用 |几分钟一次| * | 是 | [地址](http://cn-proxy.com/)|
|
||
| Proxy List | 可用 |几分钟一次| * | 是 | [地址](https://proxy-list.org/chinese/index.php)|
|
||
| ProxyList+ | 可用 |几分钟一次| * | 是 | [地址](https://list.proxylistplus.com/Fresh-HTTP-Proxy-List-1)|
|
||
|
||
如果还有其他好的免费代理网站, 可以在提交在[issues](https://github.com/jhao104/proxy_pool/issues/71), 下次更新时会考虑在项目中支持。
|
||
|
||
### 问题反馈
|
||
|
||
任何问题欢迎在[Issues](https://github.com/jhao104/proxy_pool/issues) 中反馈，如果没有账号可以去 我的[博客](http://www.spiderpy.cn/blog/message)中留言。
|
||
|
||
你的反馈会让此项目变得更加完美。
|
||
|
||
### 贡献代码
|
||
|
||
本项目仅作为基本的通用的代理池架构，不接收特有功能(当然,不限于特别好的idea)。
|
||
|
||
本项目依然不够完善，如果发现bug或有新的功能添加，请在[Issues](https://github.com/jhao104/proxy_pool/issues)中提交bug(或新功能)描述，在确认后提交你的代码。
|
||
|
||
这里感谢以下contributor的无私奉献：
|
||
|
||
[@kangnwh](https://github.com/kangnwh)| [@bobobo80](https://github.com/bobobo80)| [@halleywj](https://github.com/halleywj)| [@newlyedward](https://github.com/newlyedward)| [@wang-ye](https://github.com/wang-ye)| [@gladmo](https://github.com/gladmo)| [@bernieyangmh](https://github.com/bernieyangmh)| [@PythonYXY](https://github.com/PythonYXY)| [@zuijiawoniu](https://github.com/zuijiawoniu)| [@netAir](https://github.com/netAir)| [@scil](https://github.com/scil)| [@tangrela](https://github.com/tangrela)| [@highroom](https://github.com/highroom)| [@luocaodan](https://github.com/luocaodan)| [@vc5](https://github.com/vc5)| [@1again](https://github.com/1again)| [@obaiyan](https://github.com/obaiyan)
|
||
|
||
|
||
### Release Notes
|
||
|
||
[release notes](https://github.com/jhao104/proxy_pool/blob/master/doc/release_notes.md)
|
||
|