深入理解Python爬虫代理池服务_Python

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。

深入理解Python爬虫代理池服务

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:

python

									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

									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:

python

1 2	`pip install` `-r requirements.txt` `pip install` `-r requirements.txt`

启动:

python

									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

									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：

深入理解Python爬虫代理池服务

useful_proxy

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:

深入理解Python爬虫代理池服务

get页面：

深入理解Python爬虫代理池服务

get_all页面：

深入理解Python爬虫代理池服务

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():

									 return requests.get("http://127.0.0.1:5000/get/").content

									def delete_proxy(proxy):

									 requests.get("http://127.0.0.1:5000/delete/?proxy={}".format(proxy))

									# your spider code

									def spider():

									 # ....

									 requests.get('https://www.example.com', proxies={"http": "http://{}".format(get_proxy)})

									 # ....

									import requests

									def get_proxy():

									 return requests.get("http://127.0.0.1:5000/get/").content

									def delete_proxy(proxy):

									 requests.get("http://127.0.0.1:5000/delete/?proxy={}".format(proxy))

									# your spider code

									def spider():

									 # ....

									 requests.get('https://www.example.com', proxies={"http": "http://{}".format(get_proxy)})

									 # ....