Python爬蟲代理IP池實作方法

在公司做分佈式深網爬蟲，搭建了一套穩定的代理池服務，為上千個爬蟲提供有效的代理，保證各個爬蟲拿到的都是對應網站有效的代理IP，從而保證爬蟲快速穩定的運行，所以就想利用一些免費的資源搞一個簡單的代理池服務。

在公司做分佈式深網爬蟲，搭建了一套穩定的代理池服務，為上千個爬蟲提供有效的代理，保證各個爬蟲拿到的都是對應網站有效的代理IP，從而保證爬蟲快速穩定的運行，當然在公司做的東西不能開源出來。不過呢，閒暇時間手癢，所以就想利用一些免費的資源搞一個簡單的代理池服務。

1、問題

代理IP從何而來？
剛自學爬蟲的時候沒有代理IP就去西刺、快代理之類有免費代理的網站去爬，還是有個別代理能用。當然，如果你有更好的代理介面也可以自己接入。 　　免費代理的採集也很簡單，無非是：訪問頁面頁面 —> 正規/xpath提取 —> 保存

如何保證代理品質？
可以肯定免費的代理IP大部分都是不能用的，不然別人為什麼還提供付費的(不過事實是很多代理商的付費IP也不穩定，也有很多是不能用)。所以採集回來的代理IP不能直接使用，可以寫檢測程式不斷的去用這些代理訪問一個穩定的網站，看是否可以正常使用。這個過程可以使用多執行緒或非同步的方式，因為偵測代理程式是個很慢的過程。

採集回來的代理如何儲存？
這裡不得不推薦一個高效能支援多種資料結構的NoSQL資料庫SSDB，用於代理Redis。支援佇列、hash、set、k-v對，支援T級資料。是做分散式爬蟲很好中間儲存工具。

如何讓爬蟲更簡單的使用這些代理？
答案肯定是做成服務咯，python有這麼多的web框架，隨便拿一個來寫個api供爬蟲調用。這樣有很多好處，例如：當爬蟲發現代理不能使用可以主動透過api去delete代理IP，當爬蟲發現代理池IP不夠用時可以主動去refresh代理池。這樣比檢測程序更加可靠。

2、代理池設計

代理池由四部分組成:

ProxyGetter:
代理獲取接口，目前有5個免費代理源，每調用一次就會抓取這個5個網站的最新代理放入DB，可自行新增額外的代理獲取介面；

DB:
用於存放代理IP，現在暫時只支援SSDB。至於為什麼選擇SSDB，大家可以參考這篇文章,個人覺得SSDB是個不錯的Redis替代方案，如果你沒有用過SSDB，安裝起來也很簡單，可以參考這裡；

Schedule:
計劃任務用戶定時去檢測DB中的代理程式可用性，刪除不可用的代理程式。同時也會主動透過ProxyGetter去取得最新代理放入DB；

ProxyApi:
代理池的外部接口，由於現在這麼代理池功能比較簡單，花兩個小時看了下Flask，愉快的決定用Flask搞定。功能是給爬蟲get/delete/refresh等接口，方便爬蟲直接使用。

[HTML_REMOVED] 設計

3、程式碼模組

Python中高層次的資料結構,動態型別和動態綁定水連接已有的軟體部件。用Python來搞這個代理IP池也很簡單，程式碼分成6個模組：

Api: 　　api介面相關程式碼，目前api是由Flask實現，程式碼也非常簡單。客戶端請求傳給Flask，Flask呼叫ProxyManager中的實現，包括get/delete/refresh/get_all；

DB: 　　資料庫相關程式碼，目前資料庫是採用SSDB。程式碼以工廠模式實現，方便日後擴展其他類型資料庫；

Manager: 　　get/delete/refresh/get_all等介面的具體實作類，目前代理池只負責管理proxy，日後可能會有更多功能，例如代理和爬蟲的綁定，代理和帳號的綁定等等；

ProxyGetter: 　　代理獲取的相關代碼，目前抓取了快代理、代理66、有代理、西刺代理、guobanjia這個五個網站的免費代理，經測試這個5個網站每天更新的可用代理只有六七十個，當然也支援自己擴展代理接口；

Schedule: 　　定時任務相關代碼，現在只是實現定時去刷新代碼，並驗證可用代理，採用多進程方式；

Util: 　　存放一些公共的模組方法或函數，包含GetConfig:讀取設定檔config.ini的類，ConfigParse: 整合重寫ConfigParser的類，使其對大小寫敏感:實作單例，LazyProperty:實作類別屬性惰性計算。等等；其他檔案: 　　設定檔:Config.ini,資料庫設定與代理程式取得介面配置，可在GetFreeProxy新增新的代理取得方法，並在Config.ini註冊即可使用；

4、安裝

下載代碼:

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

安裝依賴:

pip install -r requirements.txt

定時任務啟動後，會透過代理程式取得方法fetch所有代理程式放入資料庫並驗證。此後預設每20分鐘會重複執行一次。定時任務啟動大概一兩分鐘後，便可在SSDB中看到刷新出來的可用的代理：

啟動ProxyApi.py後即可在瀏覽器中使用接口獲取代理，一下是瀏覽器中的截圖:

index頁:

get頁:

get頁：

get_all頁面：

get_all頁面：

api 帶此程式碼直接使用，例如:

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

6、最後

時間倉促，功能和程式碼都比較簡陋，以後有時間再改進。喜歡的在github上給個star。感謝！

更多Python爬蟲代理IP池實作方法相關文章請關注PHP中文網！