爬虫IP代理池

______                        ______             _
| ___ \_                      | ___ \           | |
| |_/ / \__ __   __  _ __   _ | |_/ /___   ___  | |
|  __/|  _// _ \ \ \/ /| | | ||  __// _ \ / _ \ | |
| |   | | | (_) | >  < \ |_| || |  | (_) | (_) || |___
\_|   |_|  \___/ /_/\_\ \__  |\_|   \___/ \___/ \_____\
                       __ / /
                      /___ /

介绍文档

支持版本:
测试地址: http://118.24.52.95:5010 (单机勿压。感谢)

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/setting.py:

# Config/setting.py 为项目配置文件

# 配置DB     
DATABASES = {
    "default": {
        "TYPE": "SSDB",        # 如果使用SSDB或redis数据库，均配置为SSDB
        "HOST": "127.0.0.1",   # db host
        "PORT": 8888,          # db port，例如SSDB通常使用8888，redis通常默认使用6379
        "NAME": "proxy",       # 默认配置
        "PASSWORD": ""         # db password

    }
}


# 配置 ProxyGetter

PROXY_GETTER = [
    "freeProxyFirst",      # 这里是启用的代理抓取函数名，可在ProxyGetter/getFreeProxy.py 扩展
    "freeProxySecond",
    ....
]


# 配置 API服务

SERVER_API = {
    "HOST": "0.0.0.0",  # 监听ip, 0.0.0.0 监听所有IP
    "PORT": 5010        # 监听端口
}
       
# 上面配置启动后，代理池访问地址为 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.

生产环境 Docker/docker-compose

# Workdir proxy_pool
docker build -t proxy_pool .
pip install docker-compose
docker-compose -f docker-compose.yml up -d

开发环境 Docker

# Workdir proxy_pool
docker build -t proxy_pool .
docker run -it --rm -v $(pwd):/usr/src/app -p 5010:5010 proxy_pool

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。

也可以通过api访问http://127.0.0.1:5010 查看。

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/setting.py文件中的PROXY_GETTER项：

在PROXY_GETTER下添加自定义的方法的名字:

PROXY_GETTER = [
    "freeProxyFirst",    
    "freeProxySecond",
    ....
    "freeProxyCustom"  #  # 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。

代理采集

目前实现的采集免费代理网站有(排名不分先后, 下面仅是对其发布的免费代理情况, 付费代理测评可以参考这里):

厂商名称	状态	更新速度	可用率	是否被墙	地址
无忧代理	可用	几分钟一次	*	否	地址
66代理	可用	更新很慢	*	否	地址
西刺代理	可用	几分钟一次	*	否	地址
全网代理	可用	几分钟一次	*	否	地址
训代理	已关闭免费代理	*	*	否	地址
快代理	可用	几分钟一次	*	否	地址
云代理	可用	几分钟一次	*	否	地址
IP海	可用	几小时一次	*	否	地址
免费IP代理库	可用	快	*	否	地址
**IP地址	可用	几分钟一次	*	是	地址
Proxy List	可用	几分钟一次	*	是	地址
ProxyList+	可用	几分钟一次	*	是	地址

如果还有其他好的免费代理网站, 可以在提交在issues, 下次更新时会考虑在项目中支持。

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：

Release Notes

release notes

blob2015/proxy_pool