关于爬虫IP代理以及日常维护

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。

首先，代理服务器有什么用？
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

国内：

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 [e-mail]: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)})    # ....