送你一款Python异步爬虫代理池!超级实用!已开源!
项目地址
https : //github.com/chenjiandongx/async-proxy-pool
Async Proxy Pool
异步爬虫代理池,以 Python asyncio 为基础,旨在充分利用 Python 的异步性能。
配置文件
配置文件 config.py,保存了项目所使用到的所有配置项。如下所示,用户可以根据需求自行更改。不然按默认即可。
总体架构
项目主要几大模块分别是爬取模块,存储模块,校验模块,调度模块,接口模块。
- 爬取模块 负责爬取代理网站,并将所得到的代理存入到数据库,每个代理的初始化权值为 INIT_SCORE。
- 存储模块 封装了 Redis 操作的一些接口,提供 Redis 连接池。
- 校验模块 验证代理 IP 是否可用,如果代理可用则权值 +1,最大值为 MAX_SCORE。不可用则权值 -1,直至权值为 0 时将代理从数据库中删除。
- 调度模块 负责调度爬取器和校验器的运行。
- 接口模块 使用 sanic 提供 WEB API 。
返回指定数量的代理,权值从大到小排序。
$ http http: //localhost:3289/get/10 HTTP/ 1.1 200 OK Connection : keep-alive Content - Length : 393 Content - Type : application/json Keep - Alive : 5 [ { "http" : "http://94.177.214.215:3128" }, { "http" : "http://94.139.242.70:53281" }, { "http" : "http://94.130.92.40:3128" }, { "http" : "http://82.78.28.139:8080" }, { "http" : "http://82.222.153.227:9090" }, { "http" : "http://80.211.228.238:8888" }, { "http" : "http://80.211.180.224:3128" }, { "http" : "http://79.101.98.2:53281" }, { "http" : "http://66.96.233.182:8080" }, { "http" : "http://61.228.45.165:8080" } ]
/count
返回代理池中所有代理总数
$ http http: //localhost:3289/count HTTP/ 1.1 200 OK Connection : keep-alive Content - Length : 15 Content - Type : application/json Keep - Alive : 5 { "count" : "698" }
/count/<score:int>
返回指定权值代理总数
$ http http: //localhost:3289/count/10 HTTP/ 1.1 200 OK Connection : keep-alive Content - Length : 15 Content - Type : application/json Keep - Alive : 5 { "count" : "143" }
/clear/<score:int>
删除权值小于等于 score 的代理
$ http http: //localhost:3289/clear/0 HTTP/ 1.1 200 OK Connection : keep-alive Content - Length : 22 Content - Type : application/json Keep - Alive : 5 { "Clear" : "Successful" }
扩展爬取网站
在 crawler.py 文件里新增你自己的爬取方法。
class Crawler : @staticmethod def run(): ... # 新增你自己的爬取方法 @staticmethod @collect_funcs # 加入装饰器用于最后运行函数 def crawl_xxx(): # 爬取逻辑
sanic 性能测试
使用 wrk 进行服务器压力测试。基准测试 30 秒, 使用 12 个线程, 并发 400 个 http 连接。
测试 http://127.0.0.1:3289/pop
$ wrk -t12 -c400 -d30s http: //127.0.0.1:3289/pop Running 30s test @ http: //127.0.0.1:3289/pop 12 threads and 400 connections Thread Stats Avg Stdev Max +/- Stdev Latency 350.37ms 118.99ms 660.41ms 60.94 % Req / Sec 98.18 35.94 277.00 79.43 % 33694 requests in 30.10s , 4.77MB read Socket errors: connect 0 , read 340 , write 0 , timeout 0 Requests /sec: 1119.44 Transfer /sec: 162.23KB
测试 http://127.0.0.1:3289/get/10
Running 30s test @ http: //127.0.0.1:3289/get/10 12 threads and 400 connections Thread Stats Avg Stdev Max +/- Stdev Latency 254.90ms 95.43ms 615.14ms 63.51 % Req / Sec 144.84 61.52 320.00 66.58 % 46538 requests in 30.10s , 22.37MB read Socket errors: connect 0 , read 28 , write 0 , timeout 0 Requests /sec: 1546.20 Transfer /sec: 761.02KB
性能还算不错,再测试一下没有 Redis 操作的 http://127.0.0.1:3289/
$ wrk -t12 -c400 -d30s http: //127.0.0.1:3289/ Running 30s test @ http: //127.0.0.1:3289/ 12 threads and 400 connections Thread Stats Avg Stdev Max +/- Stdev Latency 127.86ms 41.71ms 260.69ms 55.22 % Req / Sec 258.56 92.25 520.00 68.90 % 92766 requests in 30.10s , 13.45MB read Requests /sec: 3081.87 Transfer /sec: 457.47KB
Requests/sec: 3081.87
关闭 sanic 日志记录,测试 http://127.0.0.1:3289/
$ wrk -t12 -c400 -d30s http: //127.0.0.1:3289/ Running 30s test @ http: //127.0.0.1:3289/ 12 threads and 400 connections Thread Stats Avg Stdev Max +/- Stdev Latency 34.63ms 12.66ms 96.28ms 58.07 % Req / Sec 0.96k 137.29 2.21k 73.29 % 342764 requests in 30.10s , 49.69MB read Requests /sec: 11387.89 Transfer /sec: 1.65MB
Requests/sec: 11387.89
实际代理性能测试
test_proxy.py 用于测试实际代理性能
运行代码
$ cd test $ python test_proxy.py # 可设置的环境变量 TEST_COUNT = os.environ. get ( "TEST_COUNT" ) or 1000 TEST_WEBSITE = os.environ. get ( "TEST_WEBSITE" ) or "https://httpbin.org/" TEST_PROXIES = os.environ. get ( "TEST_PROXIES" ) or "http://localhost:3289/get/20"
实测效果
https://httpbin.org/
测试代理: http: //localhost:3289/get/20 测试网站: https: //httpbin.org/ 测试次数: 1000 成功次数: 1000 失败次数: 0 成功率: 1.0
https://taobao.com
测试代理: http: //localhost:3289/get/20 测试网站: https: //taobao.com/ 测试次数: 1000 成功次数: 984 失败次数: 16 成功率: 0.984
https://baidu.com
测试代理: http: //localhost:3289/get/20 测试网站: https: //baidu.com 测试次数: 1000 成功次数: 975 失败次数: 25 成功率: 0.975
https://zhihu.com
测试代理: http: //localhost:3289/get/20 测试网站: https: //zhihu.com 测试次数: 1000 成功次数: 1000 失败次数: 0 成功率: 1.0
可以看到其实性能是非常棒的,成功率极高。 wink
实际应用示例
import random import requests # 确保已经启动 sanic 服务 # 获取多个然后随机选一个 try : proxies = requests. get ( "http://localhost:3289/get/20" ).json() req = requests. get ( "https://example.com" , proxies=random.choice(proxies)) except : raise # 或者单独弹出一个 try : proxy = requests. get ( "http://localhost:3289/pop" ).json() req = requests. get ( "https://example.com" , proxies=proxy) except : raise
aiohttp 的坑
整个项目都是基于 aiohttp 这个异步网络库的,在这个项目的文档中,关于代理的介绍是这样的。
划重点:aiohttp supports HTTP/HTTPS proxies
但是,它根本就不支持 https 代理好吧,在它的代码中是这样写的。
划重点:Only http proxies are supported
我的心情可以说是十分复杂的。astonished 不过只有 http 代理效果也不错没什么太大影响,参见上面的测试数据。
参考借鉴项目
- ProxyPool
- proxy_pool
License
进群:125240963 即可获取源码哦!
上一篇: 我国语言太博大精深了
下一篇: 糖在哪里