爬虫代理IP池
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 。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 到Schedule目录下: >>>python ProxyRefreshSchedule.py 到Api目录下: >>>python ProxyApi.py 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：
推荐阅读
- 客厅暖气片用什么遮挡,暖气片使用时可以盖东西嘛
- 淘宝店怎么暂时关闭店铺 淘宝店铺如何闭店
- 淘宝开店怎样描述我的店铺 淘宝开店宝贝描述怎么写
- 外星有生物存在吗 已发现的外星生物
- 网站优化更新之伪原创内容书写方式
- 网站从0到10万流量复盘
- 2021西安城运会时间 西安最近为什么经常停电2021
- 薏米保质期多久
- 榴莲放一夜会不会有事?
- 芹菜怎么保存时间长
