TrumanGu/ProxyPool

给爬虫使用的代理IP池

ProxyPool

• ProxyPool的作用：从网络上获取免费可用的IP代理数据。先用爬虫程序抓取代理数据，再检查代理是否可用，可用的话就存放到数据库中。每隔一段时间重复执行这个过程。

• ProxyPool的技术：Spring Boot+RxJava2.x+MongoDB等

• ProxyPool的概述：该项目有两个模块proxypool和proxypool-web，从网络上抓取数据的核心工作由proxypool模块完成，可以在site这个package下新增针对不同网页的解析类。proxypool-web模块是依赖proxypool模块实现的sample模块。

1) 使用方法

• 单独使用ProxyPool项目中proxypool模块的抓取逻辑，无任何界面，可用于任何项目，无侵入性

对于Java工程如果使用gradle构建，由于默认没有使用jcenter()，需要在相应module的build.gradle中配置

repositories {
    mavenCentral()
    jcenter()
}

Gradle:

compile 'com.cv4j.proxy:proxypool:1.1.6'

• clone到本地，运行proxypool-web模块，带界面

准备条件：

1）本地装好MongoDB数据库

2）proxypool-web模块下的application.properties，参考配置如下：

spring.data.mongodb.uri=mongodb://localhost:27017/proxypool
spring.data.mongodb.uri=mongodb://username:password@localhost:27017/proxypool （有账号密码）

3）创建database和collection

database:proxypool
collection:Proxy_Resource、Resource_Plan、Proxy、Job_Log、Sys_Sequence

4）collection中的默认数据 Proxy_Resource:

{
    "_id" : ObjectId("5a48578737a340d5c48a84af"),
    "_class" : "com.cv4j.proxy.web.dto.ProxyResource",
    "resId" : 1,
    "webName" : "西刺国内高匿代理",
    "webUrl" : "http://www.xicidaili.com/nn/1.html",
    "pageCount" : 100,
    "prefix" : "http://www.xicidaili.com/nn/",
    "suffix" : ".html",
    "parser" : "com.cv4j.proxy.site.xicidaili.XicidailiProxyListPageParser",
    "addTime" : NumberLong(1515114009516),
    "modTime" : NumberLong(1515114009516)
}

Sys_Sequence:

{
    "_id" : ObjectId("5a4f2baf87ccb25df57b096b"),
    "colName" : "Proxy_Resource",
    "sequence" : 2
}

5）运行 按照SpringBoot项目的方式运行程序，访问web的地址如下：

• 解析资源 http://{host}:{port}/proxypool/resourcelist

• 依赖资源，当前job的要抓取的目标网页 http://{host}:{port}/proxypool/planlist

• 查看抓取到本地的代理数据 http://{host}:{port}/proxypool/proxylist

• 获取数据库里当前可用的代理数据 http://{host}:{port}/proxypool/proxys/{count}

6）定时抓取数据的job proxypool-web模块下目前配置了一个每隔三小时自动运行的job：

com.cv4j.proxy.web.job.ScheduleJobs.cronJob()

application.properties: cronJob.schedule = 0 0 0/3 * * ?s

2）免费的在线演示:

• 实时最新的免费代理资源： http://47.97.7.119:8080/proxypool/proxylist

• 管理代理资源： http://47.97.7.119:8080/proxypool/resourcelist

• Job运行依赖的数据： http://47.97.7.119:8080/proxypool/planlist

• 返回Json格式的代理数据： http://47.97.7.119:8080/proxypool/proxys/{count} 类型：GET,参数：count代表计划获取的代理IP数据条数

3）联系方式:

• QQ交流群：490882934