关于爬虫IP代理以及日常维护
来源:互联网 发布:淘宝店怎么描述店铺 编辑:程序博客网 时间:2024/06/03 19:09
常我们要对某些网站或是app进行数据采集时,都需要解决采集软件爬虫和封IP的问题,采集软件暂且滤过,现整理汇总爬虫IP代理服务器资源,以此来应对封IP的问题,供各位参考。
通过在web浏览器(chrome, firefox, ie, opera, safari and others)中设置代理服务器,可以实现隐藏真实IP的目的。同时当IP被网站封禁时,通过在web浏览器上设置代理服务器,可以实现突破封禁的限制。在使用爬虫程序进行大量web数据采集时,常会导致IP被封,在爬虫程序代码自动切换代理服务器,可以解决被封IP的问题。楚江数据通过对大量电商、社交网站、公众号、论坛及客户提供的其他类型网站、手机APP数据(文本、图片、电话邮箱、文档等)批量采集亲自印证。
其次,代理服务器的匿名度是什么?
代理服务器的匿名度分为三个等级:
•高匿:服务器不知道你使用了代理,并无法获取你的真实IP;
•普匿:服务器能知道你使用了代理,但是无法获取你的真实IP地址;
•透明:服务器能知道你使用了代理,并能获取你的真实IP地址。
最后将整理的资料如下罗列出来
大象代理
http://www.daxiangdaili.com/
提供免费代理列表:否
支持付费服务:是
快代理
http://www.kuaidaili.com/
提供免费代理列表:是
支持付费服务:是
西刺免费代理IP http://www.xicidaili.com/
提供免费代理列表:是
支持付费服务:否
站大爷
http://ip.zdaye.com/
提供免费代理列表:是
支持付费服务:是
IP海
http://www.iphai.com/
提供免费代理列表:是
支持付费服务:是
蚂蚁代理
http://www.mayidaili.com/
提供免费代理列表:是
支持付费服务:是
国外:
Free Proxy List:http://free-proxy-list.net/
Hide MY ASS:http://proxylist.hidemyass.com/
inCloak Network:https://incloak.com/proxy-list/
Hide My IP:https://www.hide-my-ip.com/proxylist.shtml
ProxyDB:http://proxydb.net/
proxynova: https://www.proxynova.com/proxy-server-list/country-us/
Proxy List: http://www.ip-adress.com/proxy_list/
免费代理需要自己去验证是否可用,有些事无效的。
爬虫代理IP池:在做分布式深网爬虫,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,保证各个爬虫拿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,闲暇时间就想利用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。
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:
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
启动:
需要分别启动定时任务和api到Config.ini中配置你的SSDB到Schedule目录下:>>>python ProxyRefreshSchedule.py到Api目录下:>>>python ProxyApi.py
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:
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:
get:
get_all:
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:
import requestsdef get_proxy(): return requests.get("http://127.0.0.1:5000/get/").contentdef delete_proxy(proxy): requests.get("http://127.0.0.1:5000/delete/?proxy={}".format(proxy))# your spider codedef spider(): # .... requests.get('https://www.example.com', proxies={"http": "http://{}".format(get_proxy)}) # ....
- 关于爬虫IP代理以及日常维护
- hbase日常操作以及日常维护
- hbase日常操作以及日常维护
- hbase日常操作以及日常维护
- 日常维护SQL以及脚本
- 爬虫代理ip设置
- 爬虫代理ip设置
- 爬虫代理IP
- Python 爬虫IP代理
- 爬虫 IP代理策略
- 关于网络爬虫及ip代理服务的理解
- python IP代理爬虫,download 代理IP
- Scrapy爬虫:代理IP配置
- 爬虫IP代理资源汇总
- Jsoup使用代理ip爬虫
- 如何使用ip代理爬虫
- python3爬虫之IP代理
- python 爬虫获取代理Ip
- 小程序html转wxml,微信小程序用wxParse解析html
- Spring--关于《Spring实战》中第5章SpringMVC中表单验证无效问题
- C#排序 How to Sort a List<T> by a property in the object
- 传智C++课程笔记-1
- 关于 char 、 wchar_t 、 TCHAR 、 _T() ||| 宏 _T 、 TEXT 、 _TEXT 、 L
- 关于爬虫IP代理以及日常维护
- 汇编小写字母转换大写字母
- 源码分析参考:Pipelines
- POI中文API文档
- 10年JAVA大神—教新手如果正确的学习JAVA路线
- 第7章 套接字选项
- linux awk命令详解
- JQuery3.1.1源码解读(十八)【class】
- CPU架构-RISC