Python如何搭建代理池
程序员文章站
2023-12-12 17:19:10
由于爬虫工作往往有大量数据需要爬取，便需要大量的备用IP更换，这时就需要用到代理IP池。将大量可以用于更换的代理IP汇聚要一起，便于管理和调用，IP池就这样产生了。IP池有一下特征：它里面的IP是持续补充的，会有源源不断的新的IP被加入到池子中。它里面的IP是有生命周期的，一但失效就会被清除出 IP池；它里面的IP是可以被任意取出，方便爬虫用户使用的。免费ip其实是不适合搭建代理池的，因为数量上面不具备优势，而且很耗时，大家需要用时间来一一排查，要做就要做好，建议大家还是选择专业一点的提供商。代理池主要...
由于爬虫工作往往有大量数据需要爬取，便需要大量的备用IP更换，这时就需要用到代理IP池。将大量可以用于更换的代理IP汇聚要一起，便于管理和调用，IP池就这样产生了。IP池有一下特征：它里面的IP是持续补充的，会有源源不断的新的IP被加入到池子中。它里面的IP是有生命周期的，一但失效就会被清除出 IP池；它里面的IP是可以被任意取出，方便爬虫用户使用的。
免费ip其实是不适合搭建代理池的，因为数量上面不具备优势，而且很耗时，大家需要用时间来一一排查，要做就要做好，建议大家还是选择专业一点的提供商。
代理池主要分四个部分：IP抓取，IP有效性检测，IP存储，webAPI提供。示意图如下:
数据库选择redis，它的有序集合可以给插入值赋于一个"分数"用于排序存取值等等，我们可以利用分数绑定ip的可用性进行提取及检测管理。Redis有序集合的基本操作
- 爬取模块
该模块主要是采用爬虫去付费api或者代理网站来获取ip，加入数据库并设置初始分数50分。
在这里我采用了aiohttp异步采集，提高效率。所有爬虫基于父类开发。
class BaseCrawler(object):
urls = []
# new_loop = asyncio.new_event_loop()
# asyncio.set_event_loop(new_loop)
LOOP = asyncio.get_event_loop()
asyncio.set_event_loop(LOOP)
@retry(stop_max_attempt_number=3, retry_on_result=lambda x: x is None)
async def _get_page(self, url):
async with aiohttp.ClientSession() as session:
try:
async with session.get(
url, timeout=10
) as resp:
# print(dir(resp.content),resp.content)
return await resp.text()
except:
return ''
def crawl(self):
"""
crawl main method
"""
for url in self.urls:
app_logger.info(f'fetching {url}')
# html = self.LOOP.run_until_complete(asyncio.gather(self._get_page(url)))
html = self.LOOP.run_until_complete(self._get_page(url))
# print('html', html)
for proxy in self.parse(html):
# app_logger.info(f'fetched proxy {proxy.string()} from {url}')
yield proxy
注：一般采取付费的代理平台，IP稳定寿命长。
- 测试模块
先明确策略，代理可用则设置为100分，不可用则减一定分值，分值减为0后视为完全不可用且从数据库中删除，当需要使用代理时从redis中优先取出100分ip中的随机一个，若无100分的则取最高分中的一个。检测也采用异步模式，最开始制定测试网址（默认为百度）。
class Tester(object):
"""
tester for testing proxies in queue
"""
def __init__(self):
self.redis = RedisClient()
self.loop = asyncio.get_event_loop()
async def test(self, proxy):
"""
test single proxy
:param proxy:
:return:
"""
async with aiohttp.ClientSession(connector=aiohttp.TCPConnector(ssl=False)) as session:
try:
app_logger.debug(f'testing {proxy}')
async with session.get(TEST_URL, proxy=f'http://{proxy}', timeout=TEST_TIMEOUT,
allow_redirects=False) as response:
if response.status in TEST_VALID_STATUS:
self.redis.set_max(proxy)
app_logger.debug(f'proxy {proxy} is valid, set max score')
else:
self.redis.decrease(proxy)
app_logger.debug(f'proxy {proxy} is invalid, decrease score')
except EXCEPTIONS:
self.redis.decrease(proxy)
app_logger.debug(f'proxy {proxy} is invalid, decrease score')
def run(self):
"""
test main method
:return:
"""
# event loop of aiohttp
app_logger.info('stating tester...')
count = self.redis.count()
app_logger.debug(f'{count} proxies to test')
for i in range(0, count, TEST_BATCH):
# start end end offset
start, end = i, min(i + TEST_BATCH, count)
app_logger.debug(f'testing proxies from {start} to {end} indices')
proxies = self.redis.batch(start, end)
tasks = [self.test(proxy) for proxy in proxies]
# run tasks using event loop
self.loop.run_until_complete(asyncio.wait(tasks))
- API接口模块
该模块以Flask搭建简易web服务，提供随机获取有效IP及总IP数的接口。
__all__ = ['app']
app = Flask(__name__)
def get_conn():
"""
get redis client object
:return:
"""
if not hasattr(g, 'redis'):
g.redis = RedisClient()
return g.redis
@app.route('/')
def index():
"""
get home page, you can define your own templates
:return:
"""
return '<h2>Welcome to Proxy Pool System</h2>'
@app.route('/random')
def get_proxy():
"""
get a random proxy
:return: get a random proxy
"""
conn = get_conn()
return conn.random()
@app.route('/count')
def get_count():
"""
get the count of proxies
:return: count, int
"""
conn = get_conn()
return str(conn.count())
以上为代理池的基本功能，另外需要再创建一个调度器协调控制各功能模块，检测与获取IP需要定时进行，web服务在后台运行。定时采用Python的定时管理库apscheduler，同时通过multiprocessing管理各功能模块多进程运行。
class Scheduler(object):
"""Scheduler"""
def run_tester(self, cycle=CYCLE_TESTER):
"""
定时启动检测器
:param cycle:
:return:
"""
if not ENABLE_TESTER:
app_logger.info('tester not enabled, exit')
return
tester = Tester()
sch.add_job(tester.run, 'interval', seconds=cycle, id='run_tester')
sch.start()
def run_getter(self, cycle=CYCLE_GETTER):
"""
定时开启爬虫补充代理
:param cycle:
:return:
"""
if not ENABLE_GETTER:
app_logger.info('getter not enabled, exit')
return
getter = Getproxies()
sch.add_job(getter.run, 'interval', seconds=cycle, id='run_getter')
sch.start()
def run_server(self):
"""web服务端开启"""
if not ENABLE_SERVER:
app_logger.info('server not enabled, exit')
return
app.run(host=API_HOST, port=API_PORT, threaded=API_THREADED)
def run(self):
"""调度器启动"""
global tester_process, getter_process, server_process
try:
app_logger.info('starting proxypool...')
if ENABLE_TESTER:
tester_process = multiprocessing.Process(target=self.run_tester)
app_logger.info(f'starting tester, pid {tester_process.pid}...')
tester_process.start()
if ENABLE_GETTER:
getter_process = multiprocessing.Process(target=self.run_getter)
# print(dir(getter_process),getter_process)
app_logger.info(f'starting getter, pid{getter_process.pid}...')
getter_process.start()
if ENABLE_SERVER:
server_process = multiprocessing.Process(target=self.run_server)
app_logger.info(f'starting server, pid{server_process.pid}...')
server_process.start()
tester_process.join()
getter_process.join()
server_process.join()
except KeyboardInterrupt:
app_logger.info('received keyboard interrupt signal')
tester_process.terminate()
getter_process.terminate()
server_process.terminate()
finally:
# must call join method before calling is_alive
tester_process.join()
getter_process.join()
server_process.join()
app_logger.info(f'tester is {"alive" if tester_process.is_alive() else "dead"}')
app_logger.info(f'getter is {"alive" if getter_process.is_alive() else "dead"}')
app_logger.info(f'server is {"alive" if server_process.is_alive() else "dead"}')
app_logger.info('proxy terminated')
以上为代理池搭建的过程，有兴趣可以去我的GitHub上看源码。
本文地址：https://blog.csdn.net/weixin_44606644/article/details/107083770