Python爬蟲代理IP池實現方法

2020-02-23 04:14:32

字體：大中小

來源：轉載

供稿：網友

在公司做分布式深網爬蟲，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，閑暇時間手癢，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接口也可以自己接入。　　免費代理的采集也很簡單，無非就是：訪問頁面頁面 —> 正則/xpath提取 —> 保存

如何保證代理質量？
可以肯定免費的代理IP大部分都是不能用的，不然別人為什么還提供付費的(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)。所以采集回來的代理IP不能直接使用，可以寫檢測程序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線程或異步的方式，因為檢測代理是個很慢的過程。

采集回來的代理如何存儲？
這里不得不推薦一個高性能支持多種數據結構的NoSQL數據庫SSDB，用于代理Redis。支持隊列、hash、set、k-v對，支持T級別數據。是做分布式爬蟲很好中間存儲工具。

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有這么多的web框架，隨便拿一個來寫個api供爬蟲調用。這樣有很多好處，比如：當爬蟲發現代理不能使用可以主動通過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靠譜。

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，可自行添加額外的代理獲取接口；

DB:
用于存放代理IP，現在暫時只支持SSDB。至于為什么選擇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，可以參考這里；

Schedule:
計劃任務用戶定時去檢測DB中的代理可用性，刪除不可用的代理。同時也會主動通過ProxyGetter去獲取最新代理放入DB；

ProxyApi:
代理池的外部接口，由于現在這么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。功能是給爬蟲提供get/delete/refresh等接口，方便爬蟲直接使用。