python爬虫代理池是什么？你不想了解一下吗？

偏执的太偏执、 2022-03-21 02:08 188阅读 0赞

## 前言 ##

在一些公司做分布式深网爬虫，基本上都会搭建一套稳定的代理池服务，为成千上万提供有效的代理，确保所有爬虫都能得到相应网站的有效代理IP，从而保证爬虫的快速稳定运行，当然，公司所做的事情是不能开源的。然而，在我的业余时间，我觉得手痒，所以我想使用一些免费的资源来做一个简单的代理池服务。  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70][]  
**1、问题**

**代理IP从何而来？**

刚自学爬虫的时候没有代理IP就去西刺、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。  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 1][]

## 学习从来不是一个人的事，互相监督，共同学习，一起进步， 欢迎留言评论， 私信学习加我，有资料 ##

**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:

安装依赖:

pip install -r requirements.txt

启动:  
![20190129221658248.png][]  
**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：  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 2][]  
启动ProxyApi.py后即可在浏览器中使用接口获取代理，一下是浏览器中的截图:

index页面:  
![20190129221844123.png][]  
get页面：  
![2019012922185532.png][]  
get\_all页面：  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 3][]  
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:  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 4][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70]: /images/20220321/7176e4fe3bab4ed983b29dfe8e836b05.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 1]: /images/20220321/0cb3fd484318415bbae02855360df2b7.png
[20190129221658248.png]: /images/20220321/2f6e159e53a7408c9e89ae03b23a00c8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 2]: /images/20220321/112ab0651bd24bc3b0ea4a6ef6db0c98.png
[20190129221844123.png]: /images/20220321/c3db8b9c52144a64818c961c3e3270ce.png
[2019012922185532.png]: /images/20220321/dbdbe215c61c41f58b7fea33165f6f75.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 3]: /images/20220321/48f804151b8944b4b975e33c50cf5c13.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 4]: /images/20220321/d8b32adbe0614775a831033a20d9ae5a.png