Python爬虫开发使用免费代理IP搭建代理池的解决步骤

利用一些免费的代理IP资源做代理池服务需要以下几个步骤：


1、获取免费代理IP

代理IP从何而来？

没有代理IP可以去西刺、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:

Python





git clone git@github.com:jhao104/proxy_pool.git

或者直接到http://github.com/jhao104/proxy_pool 下载zip文件

git clone git@github.com:jhao104/proxy_pool.git

或者直接到http://github.com/jhao104/proxy_pool 下载zip文件



安装依赖:

Python





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：



useful_proxy

启动ProxyApi.py后即可在浏览器中使用接口获取代理



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

 # ....



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！

github项目地址：http://github.com/jhao104/proxy_pool

总结


更多python爬虫教程请关注中文源码网http://www.zwyuanma.com/
非常感谢大家对中文源码网网站的支持！