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。 展开剩余47% 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； 发布于：湖南省
