|
|
@@ -2,7 +2,7 @@
|
|
|
|
|
|
> 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。不过呢，闲暇时间手痒，所以就想利用一些免费的资源搞一个简单的代理池服务。
|
|
|
|
|
|
-### 问题
|
|
|
+### 1、问题
|
|
|
|
|
|
* 代理IP从何而来？
|
|
|
|
|
|
@@ -15,8 +15,23 @@
|
|
|
|
|
|
* 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。
|
|
|
+ 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](http://ssdb.io/docs/zh_cn/)，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。这样比主动检测程序更加靠谱。
|
|
|
+ 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](https://www.sdk.cn/news/2684),个人觉得SSDB是个不错的Redis替代方案；
|
|
|
+* 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，由Flask就能搞定。功能是给爬虫提供get/delete/refresh等接口，方便爬虫直接使用。
|
|
|
+<!--#### 功能图纸-->
|
|
|
+<!---->
|
jhao104