Python爬虫代理IP池搭建

爬虫IP代理池

  

下载安装

  • 下载源码:
直接到https://github.com/jhao104/proxy_pool 下载zip文件
  • 安装依赖:
pip install -r requirements.txt
  • 配置Config.ini:
    # Config.ini 为项目配置文件
    # 配置DB
    type = SSDB       # 如果使用SSDB或redis数据库,均配置为SSDB
    host = localhost  # db host
    port = 8888       # db port
    name = proxy      # 默认配置
    
    # 配置 ProxyGetter
    freeProxyFirst  = 1  # 这里是启动的抓取函数,可在ProxyGetter/getFreeProxy.py 扩展
    freeProxySecond = 1
    ....
    
    # 配置 HOST (api服务)
    ip = 127.0.0.1       # 监听ip,0.0.0.0开启外网访问
    port = 5010          # 监听端口
    # 上面配置启动后,代理api地址为 http://127.0.0.1:5010
  • 启动:
    # 如果你的依赖已经安全完成并且具备运行条件,可以直接在Run下运行main.py
    # 到Run目录下:
    >>> python main.py
    # 如果运行成功你应该看到有4个main.py进程
    # 你也可以分别运行他们,
    # 依次到Api下启动ProxyApi.py
    # Schedule下启动ProxyRefreshSchedule.py,ProxyValidSchedule.py即可.

    使用

启动过几分钟后就能看到抓取到的代理IP,你可以直接到数据库中查看,推荐一个SSDB可视化工具

也可以通过api访问http://127.0.0.1:5010 查看。

  • Api
    api	       method	       Description	        arg
    /	        GET	         api介绍       	       None
    /get	        GET	       随机获取一个代理	       None
    /get_all	GET	       获取所有代理	       None
    /get_status	GET	       查看代理数量	       None
    /delete	GET	删除代理	       proxy=host:ip
  • 爬虫使用

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:

import requests

def get_proxy():
    return requests.get("http://127.0.0.1:5010/get/").content

def delete_proxy(proxy):
    requests.get("http://127.0.0.1:5010/delete/?proxy={}".format(proxy))

# your spider code

def getHtml():
    # ....
    retry_count = 5
    proxy = get_proxy()
    while retry_count > 0:
        try:
            html = requests.get('https://www.example.com', proxies={"http": "http://{}".format(proxy)})
            # 使用代理访问
            return html
        except Exception:
            retry_count -= 1
    # 出错5次, 删除代理池中代理
    delete_proxy(proxy)
    return None

扩展代理

项目默认包含几个免费的代理获取方法,但是免费的毕竟质量不好,所以如果直接运行可能拿到的代理质量不理想。所以,提供了代理获取的扩展方法。

添加一个新的代理获取方法如下:

  • 1、首先在GetFreeProxy类中添加你的获取代理的静态方法, 该方法需要以生成器(yield)形式返回host:ip格式的代理,例如:
class GetFreeProxy(object):
    # ....

    # 你自己的方法
    @staticmethod
    def freeProxyCustom():  # 命名不和已有重复即可

        # 通过某网站或者某接口或某数据库获取代理 任意你喜欢的姿势都行
        # 假设你拿到了一个代理列表
        proxies = ["139.129.166.68:3128", "139.129.166.61:3128", ...]
        for proxy in proxies:
            yield proxy
        # 确保每个proxy都是 host:ip正确的格式就行
  • 2、添加好方法后,修改Config.ini文件中的[ProxyGetter]项:

Config.ini[ProxyGetter]下添加自定义的方法的名字:

[ProxyGetter]
;register the proxy getter function
freeProxyFirst  = 0  # 如果要取消某个方法,将其删除或赋为0即可
....
freeProxyCustom  = 1  # 确保名字和你添加方法名字一致

ProxyRefreshSchedule会每隔一段时间抓取一次代理,下次抓取时会自动识别调用你定义的方法。

docker:

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

cd proxy_pool

docker build -t proxy:latest -f Dockerfile .

docker run -p 5010:5010 -d proxy:latest

# Wait a few minutes
curl localhost:5010/get/
# result: xxx.xxx.xxx.xxx:xxxx

curl localhost:5010/get_all/

 

 

文 / Aex
LEAVE A REPLY
loading