7.0 KiB
代理池介绍
本项目通过爬虫方式持续抓取代理网站公布的免费代理IP，实时校验，维护部分可以使用的代理，并通过api的形式提供外部使用。
1、问题
构建一个代理IP池，可能有下面这些问题：
- 代理IP从何而来？
许多刚接触爬虫的，都试过去西刺、快代理之类有免费代理的网站去抓些免费代理，还是有一些代理能用。 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`` —> 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，不然别人还提供付费接口干嘛(不过事实上很多代理商的付费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，检测的办法也很简单：可以写个程序不断的用代理访问一个稳定的网站，看是否可以正常访问即可。 这个过程可以使用多线/进程或异步的方式，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国人开发的高性能支持多种数据结构的NoSQL数据库SSDB，用于替代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。
- 如何让爬虫更方便的用到这些代理？
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。这样代理和爬虫架构分离有很多好处， 比如：当爬虫完全不用考虑如何校验代理，如何保证拿到的代理可用，这些都由代理池来完成。这样只需要安静的码爬虫代码就行啦。
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，支持自定义扩展额外的代理获取接口；
- DB:
用于存放代理IP，目前支持SSDB和Redis(推荐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，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Flask实现，功能是给爬虫提供与代理池交互的接口。
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，目前数据库是支持SSDB/Redis。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理，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: 扩展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 git@github.com:jhao104/proxy_pool.git
或者直接到https://github.com/jhao104/proxy_pool 下载zip文件
安装依赖:
pip install -r requirements.txt
启动:
如果你的依赖已经安全完成并且具备运行条件,可以直接在Run下运行main.py
到Run目录下:
>>>python main.py
如果运行成功你应该可以看到有4个main.py进程在
你也可以分别运行他们,依次到Api下启动ProxyApi.py,Schedule下启动ProxyRefreshSchedule.py和ProxyValidSchedule.py即可
docker:
git clone git@github.com:jhao104/proxy_pool.git
cd proxy_pool
docker build -t proxy:latest -f Dockerfile .
docker run -p 5010:5010 -d proxy:latest
# Wait a few minutes
curl localhost:5010/get/
# result: xxx.xxx.xxx.xxx:xxxx
curl localhost:5010/get_all/
5、使用
定时任务启动后，会通过GetFreeProxy中的方法抓取代理存入数据库并验证。此后默认每10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("http://127.0.0.1:5010/get/").content
def delete_proxy(proxy):
requests.get("http://127.0.0.1:5010/delete/?proxy={}".format(proxy))
# your spider code
def spider():
# ....
requests.get('https://www.example.com', proxies={"http": "http://{}".format(get_proxy())})
# ....
测试地址：http://123.207.35.36:5010 单机勿压测。谢谢
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！