|
|
@@ -1,5 +1,5 @@
|
|
|
|
|
|
-爬虫代理IP池
|
|
|
+爬虫IP代理池
|
|
|
=======
|
|
|
[](https://travis-ci.org/jhao104/proxy_pool)
|
|
|
[](http://www.spiderpy.cn/blog/)
|
|
|
@@ -8,150 +8,81 @@
|
|
|
[](https://github.com/jhao104/proxy_pool/graphs/contributors)
|
|
|
[](https://github.com/jhao104/proxy_pool)
|
|
|
|
|
|
+##### [介绍文档](https://github.com/jhao104/proxy_pool/blob/master/doc/introduce.md)
|
|
|
|
|
|
-> 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。
|
|
|
-
|
|
|
+* 支持版本  
|
|
|
|
|
|
-### 1、问题
|
|
|
+* 测试地址: http://123.207.35.36:5010 单机勿压测。谢谢
|
|
|
|
|
|
-* 代理IP从何而来？
|
|
|
+### 下载安装
|
|
|
|
|
|
- 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。
|
|
|
+* 下载源码:
|
|
|
|
|
|
- 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](http://ssdb.io/docs/zh_cn/)，用于替代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](https://www.sdk.cn/news/2684),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](https://github.com/jhao104/memory-notes/blob/master/SSDB/SSDB%E5%AE%89%E8%A3%85%E9%85%8D%E7%BD%AE%E8%AE%B0%E5%BD%95.md)；
|
|
|
-
|
|
|
-* 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](http://flask.pocoo.org/)，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。
|
|
|
-<!--#### 功能图纸-->
|
|
|
-
|
|
|
-
|
|
|
-### 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](http://www.kuaidaili.com)、[代理66](http://www.66ip.cn/)、[有代理](http://www.youdaili.net/Daili/http/)、[西刺代理](http://api.xicidaili.com/free2016.txt)、[guobanjia](http://www.goubanjia.com/free/gngn/index.shtml)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:
|
|
|
-```
|
|
|
+```shell
|
|
|
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:
|
|
|
-```
|
|
|
+* 安装依赖:
|
|
|
+
|
|
|
+```shell
|
|
|
pip install -r requirements.txt
|
|
|
```
|
|
|
|
|
|
-启动:
|
|
|
+* 配置Config.ini:
|
|
|
|
|
|
-```
|
|
|
-如果你的依赖已经安全完成并且具备运行条件,可以直接在Run下运行main.py
|
|
|
-到Run目录下:
|
|
|
->>>python main.py
|
|
|
-
|
|
|
-如果运行成功你应该可以看到有4个main.py进程在
|
|
|
+```shell
|
|
|
+# Config.ini 为项目配置文件
|
|
|
+# 配置DB
|
|
|
+type = SSDB # 如果使用SSDB或redis数据库，均配置为SSDB
|
|
|
+host = localhost # db host
|
|
|
+port = 8888 # db port
|
|
|
+name = proxy # 默认配置
|
|
|
|
|
|
+# 配置 ProxyGetter
|
|
|
+freeProxyFirst = 1 # 这里是启动的抓取函数，可在ProxyGetter/getFreeProxy.py 扩展
|
|
|
+freeProxySecond = 1
|
|
|
+....
|
|
|
|
|
|
-你也可以分别运行他们,依次到Api下启动ProxyApi.py,Schedule下启动ProxyRefreshSchedule.py和ProxyValidSchedule.py即可
|
|
|
-```
|
|
|
+# 配置 HOST (api服务)
|
|
|
+ip = 127.0.0.1 # 监听ip,0.0.0.0开启外网访问
|
|
|
+port = 5010 # 监听端口
|
|
|
+# 上面配置启动后，代理api地址为 http://127.0.0.1:5010
|
|
|
|
|
|
-docker:
|
|
|
```
|
|
|
-git clone git@github.com:jhao104/proxy_pool.git
|
|
|
-
|
|
|
-cd proxy_pool
|
|
|
|
|
|
-docker build -t proxy:latest -f Dockerfile .
|
|
|
+* 启动:
|
|
|
|
|
|
-docker run -p 5000:5000 -d proxy:latest
|
|
|
+```shell
|
|
|
+# 如果你的依赖已经安全完成并且具备运行条件,可以直接在Run下运行main.py
|
|
|
+# 到Run目录下:
|
|
|
+>>>python main.py
|
|
|
|
|
|
-# Wait a few minutes
|
|
|
-curl localhost:5000/get/
|
|
|
-# result: xxx.xxx.xxx.xxx:xxxx
|
|
|
+# 如果运行成功你应该看到有4个main.py进程
|
|
|
|
|
|
-curl localhost:5000/get_all/
|
|
|
+# 你也可以分别运行他们,
|
|
|
+# 依次到Api下启动ProxyApi.py,Schedule下启动ProxyRefreshSchedule.py和ProxyValidSchedule.py即可.
|
|
|
```
|
|
|
|
|
|
-### 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](https://github.com/jhao104/SSDBAdmin)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:
|
|
|
+### 使用
|
|
|
|
|
|
-
|
|
|
-
|
|
|
- get：
|
|
|
+启动过几分钟后就能看到抓取到的代理IP，你可以直接到数据库中查看，推荐一个[SSDB可视化工具](https://github.com/jhao104/SSDBAdmin),也可以通过api访问http://127.0.0.1:5010 查看。
|
|
|
|
|
|
-
|
|
|
+* Api
|
|
|
+| api | method | Description | arg|
|
|
|
+| ----| ---- | ---- | ----|
|
|
|
+| / | GET | api介绍 | None |
|
|
|
+| /get | GET | 随机获取一个代理 | None|
|
|
|
+| /get_all | GET | 获取所有代理 |None|
|
|
|
+| /get_status | GET | 查看代理数量 |None|
|
|
|
+| /delete | GET | 删除代理 |proxy=host:ip|
|
|
|
|
|
|
- get_all：
|
|
|
+* 爬虫使用
|
|
|
|
|
|
-
|
|
|
-
|
|
|
+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：
|
|
|
|
|
|
- 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:
|
|
|
-```
|
|
|
+```python
|
|
|
import requests
|
|
|
|
|
|
def get_proxy():
|
|
|
@@ -162,14 +93,24 @@ def delete_proxy(proxy):
|
|
|
|
|
|
# your spider code
|
|
|
|
|
|
-def spider():
|
|
|
+def getHtml():
|
|
|
# ....
|
|
|
- requests.get('https://www.example.com', proxies={"http": "http://{}".format(get_proxy())})
|
|
|
- # ....
|
|
|
-
|
|
|
+ retry_count = 5
|
|
|
+ proxy = get_proxy()
|
|
|
+ while retry_count > 0:
|
|
|
+ try:
|
|
|
+ html = requests.get('https://www.example.com', proxies={"http": "http://{}".format(proxy)})
|
|
|
+ # 使用代理访问
|
|
|
+ return html
|
|
|
+ except Exception:
|
|
|
+ retry_count -= 1
|
|
|
+ # 出错5次, 删除代理池中代理
|
|
|
+ delete_proxy(proxy)
|
|
|
+ return None
|
|
|
```
|
|
|
|
|
|
- 测试地址：http://123.207.35.36:5010 单机勿压测。谢谢
|
|
|
+### 问题反馈
|
|
|
+
|
|
|
+任何问题欢迎在[Issues](https://github.com/jhao104/proxy_pool/issues) 中反馈，如果没有账号可以去 我的[博客](http://www.spiderpy.cn/blog/message)中留言。
|
|
|
|
|
|
-### 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！
|
|
|
+你的反馈会让此项目变得更加完美。
|
jinghao_wb