ssdb
Python爬虫代理池
采集交流 • 优采云 发表了文章 • 0 个评论 • 312 次浏览 • 2020-05-09 08:01
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，保证各个爬虫领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下来。不过呢，闲暇时间手痒，所以就想借助一些免费的资源搞一个简单的代理池服务。
1、问题
代理IP从何而至？
刚自学爬虫的时侯没有代理IP就去西刺、快代理之类有免费代理的网站去爬爬虫代理软件，还是有某些代理能用。当然，如果你有更好的代理插口也可以自己接入。
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，不然他人为何还提供付费的(不过事实是好多代理商的付费IP也不稳定，也有好多是不能用)。所以采集回来的代理IP不能直接使用，可以写检查程序不断的去用这种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法，因为测量代理是个太慢的过程。
采集回来的代理怎么储存？
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。是做分布式爬虫挺好中间储存工具。
如何使爬虫更简单的使用这种代理？
答案肯定是弄成服务咯，python有这么多的web框架，随便拿一个来写个api供爬虫调用。这样有很多用处，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。这样比检查程序愈加靠谱。
2、代理池设计
代理池由四部份组成:
ProxyGetter:
代理获取插口，目前有5个免费代理源，每调用一次都会抓取这个5个网站的最新代理装入DB，可自行添加额外的代理获取插口；
DB:
用于储存代理IP，现在暂时只支持SSDB。至于为何选择SSDB，大家可以参考这篇文章,个人认为SSDB是个不错的Redis取代方案，如果你没有用过SSDB，安装上去也很简单，可以参考这儿；
Schedule:
计划任务用户定时去检查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去获取最新代理装入DB；
ProxyApi:
代理池的外部插口，由于现今如此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等插口，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,使得它特别适合于快速应用开发,也适合于作为胶带语言联接已有的软件部件。用Python来搞这个代理IP池也很简单，代码分为6个模块：
Api:
api插口相关代码，目前api是由Flask实现，代码也十分简单。客户端恳求传给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，方便日后扩充其他类型数据库；
Manager:
get/delete/refresh/get_all等插口的具体实现类，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，代理和帐号的绑定等等；
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，当然也支持自己扩充代理插口；
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，采用多进程形式；
Util:
存放一些公共的模块方式或函数爬虫代理软件，包含GetConfig:读取配置文件config.ini的类，ConfigParse: 集成重画ConfigParser的类，使其对大小写敏感， Singleton:实现单例，LazyProperty:实现类属性惰性估算。等等；
其他文件:
配置文件:Config.ini,数据库配置和代理获取插口配置，可以在GetFreeProxy中添加新的代理获取方式，并在Config.ini中注册即可使用；
4、安装
下载代码:
安装依赖:
pip install -r requirements.txt
启动:
5、使用
定时任务启动后，会通过代理获取方式fetch所有代理装入数据库并验证。此后默认每20分钟会重复执行一次。定时任务启动大约一两分钟后，便可在SSDB中见到刷新下来的可用的代理：
启动ProxyApi.py后即可在浏览器中使用插口获取代理，一下是浏览器中的截图:
index页面:
get页面：
get_all页面：
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:
6、最后 查看全部
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，保证各个爬虫领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下来。不过呢，闲暇时间手痒，所以就想借助一些免费的资源搞一个简单的代理池服务。
1、问题
代理IP从何而至？
刚自学爬虫的时侯没有代理IP就去西刺、快代理之类有免费代理的网站去爬爬虫代理软件，还是有某些代理能用。当然，如果你有更好的代理插口也可以自己接入。
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，不然他人为何还提供付费的(不过事实是好多代理商的付费IP也不稳定，也有好多是不能用)。所以采集回来的代理IP不能直接使用，可以写检查程序不断的去用这种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法，因为测量代理是个太慢的过程。
采集回来的代理怎么储存？
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。是做分布式爬虫挺好中间储存工具。
如何使爬虫更简单的使用这种代理？
答案肯定是弄成服务咯，python有这么多的web框架，随便拿一个来写个api供爬虫调用。这样有很多用处，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。这样比检查程序愈加靠谱。
2、代理池设计
代理池由四部份组成:
ProxyGetter:
代理获取插口，目前有5个免费代理源，每调用一次都会抓取这个5个网站的最新代理装入DB，可自行添加额外的代理获取插口；
DB:
用于储存代理IP，现在暂时只支持SSDB。至于为何选择SSDB，大家可以参考这篇文章,个人认为SSDB是个不错的Redis取代方案，如果你没有用过SSDB，安装上去也很简单，可以参考这儿；
Schedule:
计划任务用户定时去检查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去获取最新代理装入DB；
ProxyApi:
代理池的外部插口，由于现今如此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等插口，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,使得它特别适合于快速应用开发,也适合于作为胶带语言联接已有的软件部件。用Python来搞这个代理IP池也很简单，代码分为6个模块：
Api:
api插口相关代码，目前api是由Flask实现，代码也十分简单。客户端恳求传给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，方便日后扩充其他类型数据库；
Manager:
get/delete/refresh/get_all等插口的具体实现类，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，代理和帐号的绑定等等；
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，当然也支持自己扩充代理插口；
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，采用多进程形式；
Util:
存放一些公共的模块方式或函数爬虫代理软件，包含GetConfig:读取配置文件config.ini的类，ConfigParse: 集成重画ConfigParser的类，使其对大小写敏感， Singleton:实现单例，LazyProperty:实现类属性惰性估算。等等；
其他文件:
配置文件:Config.ini,数据库配置和代理获取插口配置，可以在GetFreeProxy中添加新的代理获取方式，并在Config.ini中注册即可使用；
4、安装
下载代码:
安装依赖:
pip install -r requirements.txt
启动:
5、使用
定时任务启动后，会通过代理获取方式fetch所有代理装入数据库并验证。此后默认每20分钟会重复执行一次。定时任务启动大约一两分钟后，便可在SSDB中见到刷新下来的可用的代理：
启动ProxyApi.py后即可在浏览器中使用插口获取代理，一下是浏览器中的截图:
index页面:
get页面：
get_all页面：
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:
6、最后
Python爬虫代理池
采集交流 • 优采云 发表了文章 • 0 个评论 • 312 次浏览 • 2020-05-09 08:01
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，保证各个爬虫领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下来。不过呢，闲暇时间手痒，所以就想借助一些免费的资源搞一个简单的代理池服务。
1、问题
代理IP从何而至？
刚自学爬虫的时侯没有代理IP就去西刺、快代理之类有免费代理的网站去爬爬虫代理软件，还是有某些代理能用。当然，如果你有更好的代理插口也可以自己接入。
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，不然他人为何还提供付费的(不过事实是好多代理商的付费IP也不稳定，也有好多是不能用)。所以采集回来的代理IP不能直接使用，可以写检查程序不断的去用这种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法，因为测量代理是个太慢的过程。
采集回来的代理怎么储存？
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。是做分布式爬虫挺好中间储存工具。
如何使爬虫更简单的使用这种代理？
答案肯定是弄成服务咯，python有这么多的web框架，随便拿一个来写个api供爬虫调用。这样有很多用处，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。这样比检查程序愈加靠谱。
2、代理池设计
代理池由四部份组成:
ProxyGetter:
代理获取插口，目前有5个免费代理源，每调用一次都会抓取这个5个网站的最新代理装入DB，可自行添加额外的代理获取插口；
DB:
用于储存代理IP，现在暂时只支持SSDB。至于为何选择SSDB，大家可以参考这篇文章,个人认为SSDB是个不错的Redis取代方案，如果你没有用过SSDB，安装上去也很简单，可以参考这儿；
Schedule:
计划任务用户定时去检查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去获取最新代理装入DB；
ProxyApi:
代理池的外部插口，由于现今如此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等插口，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,使得它特别适合于快速应用开发,也适合于作为胶带语言联接已有的软件部件。用Python来搞这个代理IP池也很简单，代码分为6个模块：
Api:
api插口相关代码，目前api是由Flask实现，代码也十分简单。客户端恳求传给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，方便日后扩充其他类型数据库；
Manager:
get/delete/refresh/get_all等插口的具体实现类，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，代理和帐号的绑定等等；
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，当然也支持自己扩充代理插口；
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，采用多进程形式；
Util:
存放一些公共的模块方式或函数爬虫代理软件，包含GetConfig:读取配置文件config.ini的类，ConfigParse: 集成重画ConfigParser的类，使其对大小写敏感， Singleton:实现单例，LazyProperty:实现类属性惰性估算。等等；
其他文件:
配置文件:Config.ini,数据库配置和代理获取插口配置，可以在GetFreeProxy中添加新的代理获取方式，并在Config.ini中注册即可使用；
4、安装
下载代码:
安装依赖:
pip install -r requirements.txt
启动:
5、使用
定时任务启动后，会通过代理获取方式fetch所有代理装入数据库并验证。此后默认每20分钟会重复执行一次。定时任务启动大约一两分钟后，便可在SSDB中见到刷新下来的可用的代理：
启动ProxyApi.py后即可在浏览器中使用插口获取代理，一下是浏览器中的截图:
index页面:
get页面：
get_all页面：
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:
6、最后 查看全部
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，保证各个爬虫领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下来。不过呢，闲暇时间手痒，所以就想借助一些免费的资源搞一个简单的代理池服务。
1、问题
代理IP从何而至？
刚自学爬虫的时侯没有代理IP就去西刺、快代理之类有免费代理的网站去爬爬虫代理软件，还是有某些代理能用。当然，如果你有更好的代理插口也可以自己接入。
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，不然他人为何还提供付费的(不过事实是好多代理商的付费IP也不稳定，也有好多是不能用)。所以采集回来的代理IP不能直接使用，可以写检查程序不断的去用这种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法，因为测量代理是个太慢的过程。
采集回来的代理怎么储存？
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。是做分布式爬虫挺好中间储存工具。
如何使爬虫更简单的使用这种代理？
答案肯定是弄成服务咯，python有这么多的web框架，随便拿一个来写个api供爬虫调用。这样有很多用处，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。这样比检查程序愈加靠谱。
2、代理池设计
代理池由四部份组成:
ProxyGetter:
代理获取插口，目前有5个免费代理源，每调用一次都会抓取这个5个网站的最新代理装入DB，可自行添加额外的代理获取插口；
DB:
用于储存代理IP，现在暂时只支持SSDB。至于为何选择SSDB，大家可以参考这篇文章,个人认为SSDB是个不错的Redis取代方案，如果你没有用过SSDB，安装上去也很简单，可以参考这儿；
Schedule:
计划任务用户定时去检查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去获取最新代理装入DB；
ProxyApi:
代理池的外部插口，由于现今如此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等插口，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,使得它特别适合于快速应用开发,也适合于作为胶带语言联接已有的软件部件。用Python来搞这个代理IP池也很简单，代码分为6个模块：
Api:
api插口相关代码，目前api是由Flask实现，代码也十分简单。客户端恳求传给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，方便日后扩充其他类型数据库；
Manager:
get/delete/refresh/get_all等插口的具体实现类，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，代理和帐号的绑定等等；
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，当然也支持自己扩充代理插口；
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，采用多进程形式；
Util:
存放一些公共的模块方式或函数爬虫代理软件，包含GetConfig:读取配置文件config.ini的类，ConfigParse: 集成重画ConfigParser的类，使其对大小写敏感， Singleton:实现单例，LazyProperty:实现类属性惰性估算。等等；
其他文件:
配置文件:Config.ini,数据库配置和代理获取插口配置，可以在GetFreeProxy中添加新的代理获取方式，并在Config.ini中注册即可使用；
4、安装
下载代码:
安装依赖:
pip install -r requirements.txt
启动:
5、使用
定时任务启动后，会通过代理获取方式fetch所有代理装入数据库并验证。此后默认每20分钟会重复执行一次。定时任务启动大约一两分钟后，便可在SSDB中见到刷新下来的可用的代理：
启动ProxyApi.py后即可在浏览器中使用插口获取代理，一下是浏览器中的截图:
index页面:
get页面：
get_all页面：
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:
6、最后
