proxy_pool 正在参加 2020 年度 OSC 中国开源项目评选,请投票支持!
proxy_pool 在 2020 年度 OSC 中国开源项目评选 中已获得 {{ projectVoteCount }} 票,请投票支持!
投票让它出道
已投票
proxy_pool 获得 2020 年度 OSC 中国开源项目评选「最佳人气项目」 !
proxy_pool 获得 2020 年度 OSC 中国开源项目评选「最佳人气项目」「最积极运营项目」 !
proxy_pool 获得 2020 年度 OSC 中国开源项目评选「最积极运营项目」 !
授权协议 MIT
开发语言 Python 查看源码 »
操作系统 跨平台
软件类型 开源软件
所属分类 程序开发常用工具包
开源组织
地区 国产
提 交 者 j_hao104
适用人群 未知
收录时间 2017-03-31

软件简介

爬虫代理IP池

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.txt

    启动:

    需要分别启动定时任务和api
    到Config.ini中配置你的SSDB
    项目目录下:
    >>>python -m Schedule.ProxyRefreshSchedule
    到Api目录下:
    >>>python -m Api.ProxyApi

    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:
  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://127.0.0.1:5000/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

  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!

展开阅读全文

代码

的 Gitee 指数为
超过 的项目

评论 (2)

加载中
打分: 力荐
正在学习爬虫,谢谢
2017/05/03 23:16
回复
举报
最近在学习,感谢项目
2017/04/07 22:22
回复
举报
更多评论
暂无内容
发表了博客
2014/05/21 19:14

pool

#include<stdlib.h> #include<stdio.h> typedef struct block{     size_t size;     int use;     struct block * next;     char * buf; }block_t; typedef struct head{     struct head * next;     block_t * block;    }head_t; typedef struct pool{    hea...

0
0
发表了博客
2016/12/28 21:14

common-pool

``` package com.berchina.util.rpc.demo.socket.pool2; import java.net.InetSocketAddress; import java.net.Socket; import org.apache.commons.pool.BasePoolableObjectFactory; import org.apache.commons.pool.impl.GenericObjectPool; import org.apache.commons.pool.impl.GenericObjectPool.Config; public cla...

0
0
发表于AI & 大数据专区
2014/06/05 21:54

About Pool Sizing

Configuring a connection pool is something that developers often get wrong. There are several, possibly counter-intuitive for some, principles that need to be understood when configuring the pool....

0
0
发表了博客
2018/09/12 00:00

Could not get a resource from the pool

异常描述: redis.clients.jedis.exceptions.JedisConnectionException: Could not get a resource from the pool at redis.clients.util.Pool.getResource(Pool.java:22) at com.derbysoft.jredis.longkeytest.BorrowObject.run(BorrowObject.java:22) at java.lang.Thread.run(Thread.java:662) Caused by: java.util....

0
0
发表了博客
2015/12/23 11:34

Could not get a resource from the pool

redis.clients.jedis.exceptions.JedisConnectionException: Could not get a resource from the pool

1
0
发表于开发技能专区
2015/01/27 09:40

connection pool

Append [removeAbandoned="true"] property in [resource] [removeAbandonedTimeout ] 回收被遗忘的资源

0
0
发表了博客
2014/10/30 10:12

Thread Pool

http://www.cnblogs.com/coser/archive/2012/03/10/2389264.html

0
2
发表于软件架构专区
2015/01/27 09:40

connection pool

Append [removeAbandoned="true"] property in [resource] [removeAbandonedTimeout ] 回收被遗忘的资源

0
0
没有更多内容
加载失败,请刷新页面
点击加载更多
加载中
下一页
暂无内容
2 评论
66 收藏
分享
OSCHINA
登录后可查看更多优质内容
返回顶部
顶部