爬虫IP代理池

______ ______ _

| ___ \_ | ___ \ | |

| |_/ / \__ __ __ _ __ _ | |_/ /___ ___ | |

| __/| _// _ \ \ \/ /| | | || __// _ \ / _ \ | |

| | | | | (_) | > < \ |_| || | | (_) | (_) || |___

\_| |_| \___/ /_/\_\ \__ |\_| \___/ \___/ \_____\

__ / /

/___ /

下载安装

下载源码:

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

或者直接到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和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。

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：

在Config.ini的[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。

问题反馈

任何问题欢迎在Issues 中反馈，如果没有账号可以去 我的博客中留言。

你的反馈会让此项目变得更加完美。

贡献代码

本项目仅作为基本的通用的代理池架构，不接收特有功能(当然,不限于特别好的idea)。

本项目依然不够完善，如果发现bug或有新的功能添加，请在Issues中提交bug(或新功能)描述，在确认后提交你的代码。

这里感谢以下contributor的无私奉献：