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 实名验证

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. 12

    2020-10

    互联网营销怎样更改电脑IP地址?

    互联网营销怎样更改电脑IP地址?在做互联网推广的方法中,很多种办法都必不可免的需要更换电脑IP地址才可以执行的更好,今天静静给大家普及的就是更换电脑IP地址的常用方法,希望对屏幕

  2. 15

    2019-05

    Linux主机如何通过代理服务器进行网络连接

    Linux主机如何通过代理服务器进行网络连接?我们都知道在Windows下通过代理服务器怎么去设置连接代理服务器,浏览器---->工具------>internet选项----->连接--->局域网设置------->勾选“为lan使用代理

  3. 16

    2019-04

    使用HTTP代理服务器的安全性简评

    由于各种原因,在国内上网,免不了要和HTTP代理服务器打交道。HTTP代理服务器分加密代理服务器​和普通代理服务器。如果我们在自己的电脑上运行了某些软件之后就能访问之前不能访问的网

  4. 13

    2019-05

    如何区分HTTP代理和Socks代理

    代理服务器英文全称是Proxy Server,其功能就是代理网络用户去取得网络信息,形象的说:它是网络信息的中转站。最常用的代理莫过于HTTP代理,还有一种代理用的也很多,那就是Socks代理,那么

  5. 18

    2020-09

    手机上如何使用socks5代理IP

    众所周知,系统自带的代理设置,仅支持http代理IP,也仅仅是改变了系统自带的浏览器的上网IP。对于QQ、微信信、微博、抖音等这些单独的App都不能使用系统的代理。如何让所有软件都能正常

  6. 28

    2019-04

    自动更换IP地址软件推荐

    怎么才能自动修改电脑IP地址?有时会注册一个账号改IP地址才能注册,那么怎么修改电脑的IP地址呢?如果能自动的切换自己网络IP地址?每一台电脑都有属于自己的IP地址,这就好比每个人都