Python爬虫实战 | (18) 搭建IP代理池
在本篇博客中我们将完成IP代理池的搭建。IP代理池是通用的，创建好后，可供多个爬虫任务共同使用。
搭建IP代理池主要分为4个基本模块：存储模块、获取模块、检测模块、接口模块。
1）存储模块： 负责存储代理IP。
2）获取模块： 定时在各大代理网站抓取代理IP，并保存到数据库(redis)中
3）检测模块： 定时检测数据库中的代理IP，判断能否正常访问网页。
4）接口模块： 提供代理IP的接口。
还有配置文件：setting.py 包含一些变量/参数，供各个模块使用；调度模块：scheduler.py 用于调度运行四个基本模块。
setting.py:
#配置文件
# Redis数据库地址
REDIS_HOST = '127.0.0.1' #localhost
# Redis端口
REDIS_PORT = 6379
# Redis密码，如无填None
REDIS_PASSWORD = None
REDIS_KEY = 'proxies' #有序集合
# 代理分数
MAX_SCORE = 100
MIN_SCORE = 0
INITIAL_SCORE = 10
VALID_STATUS_CODES = [200, 302] #合理响应状态码
# 代理池数量界限
POOL_UPPER_THRESHOLD = 50000
# 检查周期
TESTER_CYCLE = 20
# 获取周期
GETTER_CYCLE = 300
# 测试API，建议抓哪个网站测哪个
TEST_URL = 'http://www.baidu.com' #通用测试网站
# API配置
API_HOST = '127.0.0.1'
API_PORT = 5555
# 开关
TESTER_ENABLED = True
GETTER_ENABLED = True
API_ENABLED = True
# 最大批测试量
BATCH_TEST_SIZE = 10
- 获取模块
定时在各大代理网站抓取代理IP，并保存到数据库中。
代理可以是免费公开代理也可以是付费代理，付费代理会更加稳定。代理的形式都是IP 加端口，此模块尽量从不同来源获取，尽量抓取高匿代理。
getter.py
#获取模块
import re
import requests
from requests.exceptions import ConnectionError
from db import RedisClient
from setting import *
import sys
class Getter():
def __init__(self):
self.redis = RedisClient()
def is_over_threshold(self):
"""
判断是否达到了代理池最大限制
"""
if self.redis.count() >= POOL_UPPER_THRESHOLD:
return True
else:
return False
def get_page(self, url, options={}):
"""
抓取代理
:param url: 代理网址
:param options:
:return:
"""
base_headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36',
'Accept-Encoding': 'gzip, deflate, sdch',
'Accept-Language': 'en-US,en;q=0.9,zh-CN;q=0.8,zh;q=0.7'
}
headers = dict(base_headers, **options)
print('正在抓取', url)
try:
response = requests.get(url, headers=headers)
print('抓取成功', url, response.status_code)
if response.status_code == 200:
return response.text
except ConnectionError:
print('抓取失败', url)
return None
def crawl_ip3366(self): #爬取ip3366网站的代理IP
for page in range(1, 4):
start_url = 'http://www.ip3366.net/free/?stype=1&page={}'.format(page)
html = self.get_page(start_url)
ip_address = re.compile('\s*(.*?) \s*(.*?) ') #提取Ip和端口
# \s * 匹配空格，起到换行作用
re_ip_address = ip_address.findall(html)
for address, port in re_ip_address:
result = address + ':' + port
print('成功获取到代理', result)
self.redis.add(result) #加入数据库
def crawl_kuaidaili(self):#爬取快代理网站的代理IP
for i in range(1, 4):
start_url = 'http://www.kuaidaili.com/free/inha/{}/'.format(i)
html = self.get_page(start_url)
if html:
ip_address = re.compile('(.*?) ') #提取ip
re_ip_address = ip_address.findall(html)
port = re.compile('(.*?) ') #提取端口
re_port = port.findall(html)
for address, port in zip(re_ip_address, re_port):
address_port = address + ':' + port
print('成功获取到代理', address_port)
self.redis.add(address_port)#加入数据库
def crawl_xicidaili(self):#爬取xici代理网站的代理IP
for i in range(1, 4):
start_url = 'http://www.xicidaili.com/nn/{}'.format(i)
headers = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'Cookie': '_free_proxy_session=BAh7B0kiD3Nlc3Npb25faWQGOgZFVEkiJWRjYzc5MmM1MTBiMDMzYTUzNTZjNzA4NjBhNWRjZjliBjsAVEkiEF9jc3JmX3Rva2VuBjsARkkiMUp6S2tXT3g5a0FCT01ndzlmWWZqRVJNek1WanRuUDBCbTJUN21GMTBKd3M9BjsARg%3D%3D--2a69429cb2115c6a0cc9a86e0ebe2800c0d471b3',
'Host': 'www.xicidaili.com',
'Referer': 'http://www.xicidaili.com/nn/3',
'Upgrade-Insecure-Requests': '1',
}
html = self.get_page(start_url, options=headers)
if html:
find_trs = re.compile(' (.*?) ', re.S)
trs = find_trs.findall(html)
for tr in trs:
find_ip = re.compile('(\d+\.\d+\.\d+\.\d+) ')#提取ip
re_ip_address = find_ip.findall(tr)
find_port = re.compile('(\d+) ') #提取端口
re_port = find_port.findall(tr)
for address, port in zip(re_ip_address, re_port):
address_port = address + ':' + port
print('成功获取到代理', address_port)
self.redis.add(address_port)#加入数据库
def run(self):
print('获取器开始执行')
if not self.is_over_threshold():
self.crawl_ip3366()
self.crawl_kuaidaili()
self.crawl_xicidaili()
if __name__ == '__main__':
get = Getter()
get.run()
- 存储模块
负责存储抓取下来的代理。
首先要保证代理不重复， 要标识代理的可用情况（给代理IP一个分值），还要动态实时处理每个代理，所以一种比较高效和方便的存储方式就是使用Redis 的有序集合。
Redis：REmoteDIctionaryServer是一个基于内存的高效的key-value形式的非关系型数据库，支持存储多种数据结构：字符串(String), 哈希(Hash), 列表(list), 集合(sets) 和 有序集合(sorted sets)等类型。
db.py
#存储模块
import redis
from error import PoolEmptyError
from setting import REDIS_HOST, REDIS_PORT, REDIS_PASSWORD, REDIS_KEY
from setting import MAX_SCORE, MIN_SCORE, INITIAL_SCORE
from random import choice
import re
class RedisClient(object):
def __init__(self, host=REDIS_HOST, port=REDIS_PORT, password=REDIS_PASSWORD):
"""
初始化
:param host: Redis 地址
:param port: Redis 端口
:param password: Redis密码
"""
#连接redis数据库
self.db = redis.StrictRedis(host=host, port=port, password=password, decode_responses=True)
def add(self, proxy, score=INITIAL_SCORE):
"""
添加代理，设置分数为初始分值 10
:param proxy: 代理
:param score: 分数
:return: 添加结果
"""
if not re.match('\d+\.\d+\.\d+\.\d+\:\d+', proxy):
print('代理不符合规范', proxy, '丢弃')
return
if not self.db.zscore(REDIS_KEY, proxy):
return self.db.zadd(REDIS_KEY, {proxy: score})
def exists(self, proxy):
"""
判断是否存在
:param proxy: 代理
:return: 是否存在
"""
return not self.db.zscore(REDIS_KEY, proxy) == None
def count(self):
"""
获取数量
:return: 数量
"""
return self.db.zcard(REDIS_KEY)
def all(self):
"""
获取全部代理
:return: 全部代理列表
"""
return self.db.zrangebyscore(REDIS_KEY, MIN_SCORE, MAX_SCORE)
def batch(self, start, stop):
"""
批量获取
:param start: 开始索引
:param stop: 结束索引
:return: 代理列表
"""
return self.db.zrevrange(REDIS_KEY, start, stop - 1)
def max(self, proxy):
"""
将代理设置为MAX_SCORE
:param proxy: 代理
:return: 设置结果
"""
print('代理', proxy, '可用，设置为', MAX_SCORE)
return self.db.zadd(REDIS_KEY, {proxy: MAX_SCORE})
def decrease(self, proxy):
"""
代理值减一分，小于最小值则删除
:param proxy: 代理
:return: 修改后的代理分数
"""
score = self.db.zscore(REDIS_KEY, proxy)
if score and score > MIN_SCORE:
print('代理', proxy, '当前分数', score, '减1')
return self.db.zincrby(REDIS_KEY, -1, proxy)
else:
print('代理', proxy, '当前分数', score, '移除')
return self.db.zrem(REDIS_KEY, proxy)
def random(self):
"""
随机获取有效代理，首先尝试获取最高分数代理，如果不存在，按照排名获取，否则异常
:return: 随机代理
"""
result = self.db.zrangebyscore(REDIS_KEY, MAX_SCORE, MAX_SCORE)
if len(result):
return choice(result)
else:
result = self.db.zrevrange(REDIS_KEY, 0, 100)
if len(result):
return choice(result)
else:
raise PoolEmptyError
if __name__ == '__main__':
#测试存储模块
conn = RedisClient()
conn.add('203.150.123.247:8080')
- 检测模块
定时检测数据库中的代理，判断能否正常访问网页。
设置一个检测链接，通常爬取哪个网站就检测哪个网站，这样更有针对性，如果要做一个通用型的代理，那可以设置百度等链接用于检测。
需标识每一个代理的状态，为其设置分数标识，初始值为10。以100 分为最高值，代表可用，分数越少代表越不可用。检测一次，如果代理可用，可以将分数标识设置为100 分；如果代理不可用，将分数标识减1分，当分数减到一定阈值（如0）后删除该代理。
tester.py
#检测模块
import asyncio
import aiohttp
import time
import sys
try:
from aiohttp import ClientError
except:
from aiohttp import ClientProxyConnectionError as ProxyConnectionError
from db import RedisClient
from setting import *
class Tester(object):
def __init__(self):
self.redis = RedisClient()
async def test_single_proxy(self, proxy):
"""
测试单个代理
:param proxy:
:return:
"""
conn = aiohttp.TCPConnector(verify_ssl=False)
async with aiohttp.ClientSession(connector=conn) as session:
try:
if isinstance(proxy, bytes):
proxy = proxy.decode('utf-8')
real_proxy = 'http://' + proxy
print('正在测试', proxy)
async with session.get(TEST_URL, proxy=real_proxy, timeout=15, allow_redirects=False) as response:
if response.status in VALID_STATUS_CODES:
self.redis.max(proxy) #设为100分
print('代理可用', proxy)
else:
self.redis.decrease(proxy) #不可用 -1分
print('请求响应码不合法 ', response.status, 'IP', proxy)
except (ClientError, aiohttp.client_exceptions.ClientConnectorError, asyncio.TimeoutError, AttributeError):
self.redis.decrease(proxy)
print('代理请求失败', proxy)
def run(self):
"""
测试主函数
:return:
"""
print('测试器开始运行')
try:
count = self.redis.count()
print('当前剩余', count, '个代理')
for i in range(0, count, BATCH_TEST_SIZE):
start = i
stop = min(i + BATCH_TEST_SIZE, count)
print('正在测试第', start + 1, '-', stop, '个代理')
test_proxies = self.redis.batch(start, stop)
loop = asyncio.get_event_loop()
tasks = [self.test_single_proxy(proxy) for proxy in test_proxies]
loop.run_until_complete(asyncio.wait(tasks))
sys.stdout.flush()
time.sleep(5)
except Exception as e:
print('测试器发生错误', e.args)
if __name__ == '__main__':
test = Tester()
test.run()
- 接口模块
提供代理IP的接口。
如果直接连接数据库获取对应的数据，就需要知道数据库的连接信息，并且要配置连接，比较安全和方便的方式是提供一个Web API 接口，通过访问接口拿到可用代理。
另外，需要随机返回某个代理，获取排名中最高分数（100分）的代理，若存在多个，从中随机选取一个；否则随机返回一个代理。
api.py
#接口模块
from flask import Flask, g
from db import RedisClient
from setting import *
__all__ = ['app']
app = Flask(__name__)
def get_conn():
if not hasattr(g, 'redis'):
g.redis = RedisClient()
return g.redis
@app.route('/')
def index():
return 'Welcome to Proxy Pool System
'
@app.route('/random')
def get_proxy():
"""
Get a proxy
:return: 随机代理
"""
conn = get_conn()
return conn.random()
@app.route('/count')
def get_counts():
"""
Get the count of proxies
:return: 代理池总量
"""
conn = get_conn()
return str(conn.count())
if __name__ == '__main__':
app.run(host=API_HOST,port=API_PORT)
- 调度模块
调度获取、存储、检测和接口四个基本模块，定时获取IP并存储，定时进行检测，然后开启接口提供IP代理。scheduler.py:
#调度模块
import time
from multiprocessing import Process
from api import app
from getter import Getter
from tester import Tester
from setting import *
class Scheduler():
def schedule_tester(self, cycle=TESTER_CYCLE):
"""
定时测试代理
"""
tester = Tester()
while True:
print('测试器开始运行')
tester.run()
time.sleep(cycle)
def schedule_getter(self, cycle=GETTER_CYCLE):
"""
定时获取代理
"""
getter = Getter()
while True:
print('开始抓取代理')
getter.run()
time.sleep(cycle)
def schedule_api(self):
"""
开启API
"""
app.run(API_HOST, API_PORT)
def run(self):
print('代理池开始运行')
if TESTER_ENABLED: #运行测试模块
tester_process = Process(target=self.schedule_tester)
tester_process.start()
if GETTER_ENABLED: #运行获取模块
getter_process = Process(target=self.schedule_getter)
getter_process.start()
if API_ENABLED: #运行接口模块
api_process = Process(target=self.schedule_api)
api_process.start()
if __name__ == '__main__':
scheduler = Scheduler()
scheduler.run()
web api:访问地址，即可获取IP代理：
查看redis数据库：
在简单爬虫程序中(requests)使用搭建的IP代理池：
#在爬虫程序中使用构建的IP代理池
import requests
proxy = requests.get('http://127.0.0.1:5555/random').text #从IP代理池接口中获取 IP代理
print(proxy)
proxies = {
'http': 'http://' + proxy,
'https': 'https://' + proxy
}
response = requests.get('http://httpbin.org/get', proxies=proxies)
print(response.text)
完整项目