注意: IP代理精灵仅提供国内ip网络节点,不提供境外网络节点,不能用于任何非法用途或访问境外封闭网站,不能跨境联网,只能用于合法的国内网络加速。

请登录 注册

首页 > 新闻资讯 > 如何构建构建Python爬虫IP代理池服务?

如何构建构建Python爬虫IP代理池服务?

来源:互联网 作者:admin 时间:2019-09-07 15:21:32

  如何构建构建Python爬虫IP代理池服务?作为一个Python爬虫程序员,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。那如何构建构建Python爬虫IP代理池服务?今天大家一起来探讨下:

如何构建构建Python爬虫IP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 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.txtpip 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

  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:

  get页面:

  get_all页面:

  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 requestsdef get_proxy(): return requests.get("http://127.0.0.1:5000/get/").contentdef delete_proxy(proxy): requests.get("http://127.0.0.1:5000/delete/?proxy={}".format(proxy)) # your spider codedef spider(): # .... requests.get('https://www.pythontab.com', proxies={"http": "http://{}".format(get_proxy)}) # ....

  关于“如何构建构建Python爬虫IP代理池服务?”话题今天就探讨到这,如有疑问可以咨询在线客服为你专业解答。


最新资讯

推荐阅读

  1. 17

    2019-12

    如何确保IP制作的安全?

    如何确保IP制作的安全?随着电视产业向IP现场制作转变,这种转换的好处显而易见。最显著的是,与更刚性的被替代标准SDI相比,IP制作可以提供更动态、更敏捷、在某些情况下更经济的内容制

  2. 28

    2019-05

    怎么选择代理ip?有什么技巧?

    怎么选择代理ip?有什么技巧?ip代理精灵的代理ip实效性较强,一般有效期在20分钟到4小时不等。在选择代理ip使用时的技巧需要十分注意,有时候选择不好,花高价钱买了代理ip可能并不适合

  3. 09

    2019-07

    IP代理精灵的免费代理IP能不能使用

    很多朋友问我IP代理精灵网站首页的免费代理能不能使用,甚至还问是不是挂出来骗人的。这里有必要说明一下,既然是免费的,就不存在骗人的说法,骗你什么了呢?

  4. 18

    2020-05

    什么是IP地址 由什么组成?

    什么是IP地址 由什么组成?随着互联网的进步与发展,越来越多的让人开始使用计算机,成为广大网民的一员。为了区分每个用户,IP地址便运应而生了。那么,什么是IP地址呢?它是由什么组成

  5. 30

    2019-12

    获取代理IP的渠道有哪些?

    获取代理IP的渠道有哪些?网络爬虫和国内代理IP在互联网的关系堪比一对好基友,当网络爬虫遇到反爬虫障碍时,使用代理IP可以帮助网络爬虫突破IP地址限制。那么如何获取代理IP呢?

  6. 13

    2019-11

    独享http代理跟共享ip代理有什么区别?

    独享http代理跟共享ip代理有什么区别?在互联网高速发展下,截止到2018年6月,我国网民数量已经突破了8个亿,上网都离不开IP地址,但是IP地址资源是有限的,所以会造成IP地址短缺,无法一人