HAipproxy

README ｜中文文档

本项目所采集的IP资源都来自互联网，愿景是为大型爬虫项目提供一个高可用低延迟的高匿IP代理池。

Features

快速抓取代理IP
IP抓取和提取精准
IP来源丰富
优良的IP校验器，并且容易根据自身需要扩展
支持分布式部署
架构设计灵活
MIT授权协议

Quick start

注意，代码请在release列表中下载，master分支的代码不保证能稳定运行

单机部署

服务端

安装Python3和Redis。有问题可以阅读这篇文章的相关部分。
根据Redis的实际配置修改项目配置文件config/settings.py中的REDIS_HOST、REDIS_PASSWORD等参数。
安装scrapy-splash，并修改配置文件config/settings.py中的SPLASH_URL
安装项目相关依赖

pip install -r requirements.txt
启动scrapy worker，包括代理IP采集器和校验器

python crawler_booter.py --usage crawler

python crawler_booter.py --usage validator
启动调度器，包括代理IP定时调度和校验

python scheduler_booter.py --usage crawler

python scheduler_booter.py --usage validator

客户端

近日不断有同学问，如何获取该项目中可用的代理IP列表。haipproxy提供代理的方式并不是通过web api来提供，而是通过具体的客户端来提供。目前支持的是Python客户端和语言无关的squid二级代理

python客户端调用示例

from client.py_cli import ProxyFetcher
args = dict(host='127.0.0.1', port=6379, password='123456', db=0)
＃ 这里`zhihu`的意思是，去和`zhihu`相关的代理ip校验队列中获取ip
＃ 这么做的原因是同一个代理IP对不同网站代理效果不同
fetcher = ProxyFetcher('zhihu', strategy='greedy', redis_args=args)
# 获取一个可用代理
print(fetcher.get_proxy())
# 获取可用代理列表
print(fetcher.get_proxies()) # or print(fetcher.pool)

更具体的示例见examples/zhihu

squid作为二级代理

安装squid，备份squid的配置文件并且启动squid，以ubuntu为例

sudo apt-get install squid

sudo sed -i 's/http_access deny all/http_access allow all/g' /etc/squid/squid.conf

sudo cp /etc/squid/squid.conf /etc/squid/squid.conf.backup

sudo service squid start
根据操作系统修改项目配置文件config/settings.py中的SQUID_BIN_PATH、SQUID_CONF_PATH、SQUID_TEMPLATE_PATH等参数
启动squid conf的定时更新程序

sudo python squid_update.py

使用squid作为代理中间层请求目标网站,默认代理URL为'http://squid_host:3128',用Python请求示例如下

import requests
proxies = {'https': 'http://127.0.0.1:3128'}
resp = requests.get('https://httpbin.org/ip', proxies=proxies)
print(resp.text)

Docker部署

安装Docker
安装docker-compose

pip install -U docker-compose

修改settings.py中的SPLASH_URL和REDIS_HOST参数

SPLASH_URL = 'http://splash:8050'
REDIS_HOST = 'redis'

使用docker-compose启动各个应用组件

docker-compose up

这种方式会一同部署squid，您可以通过squid调用代理IP池，也可以使用客户端调用，和单机部署调用方式一样

注意事项

本项目高度依赖Redis，除了消息通信和数据存储之外，IP校验和任务定时工具也使用了Redis中的多种数据结构。如果需要替换Redis，请自行度量
由于GFW的原因，某些网站需要通过科学上网才能进行访问和采集，如果用户无法访问墙外的网站，请将rules.py task_queue为 SPIDER_GFW_TASK和SPIDER_AJAX_GFW_TASK的任务enable属性设置为0或者启动爬虫的时候指定爬虫类型为common和 ajax

python crawler_booter.py --usage crawler common ajax
相同代理IP，对于不同网站的代理效果可能大不相同。如果通用代理无法满足您的需求，您可以为特定网站编写代理IP校验器

工作流程

开发者文档

为了方便用户针对自身需求进行定制化，haipproxy提供了丰富的文档支持。所有文档详见项目wiki

效果测试

以单机模式部署haipproxy和测试代码，以知乎为目标请求站点，每一万条成功请求为统计结果，实测抓取效果如下

请求量	时间	耗时	IP负载策略	客户端
0	2018/03/03 22:03	0	greedy	py_cli
10000	2018/03/03 11:03	1 hour	greedy	py_cli
20000	2018/03/04 00:08	2 hours	greedy	py_cli
30000	2018/03/04 01:02	3 hours	greedy	py_cli
40000	2018/03/04 02:15	4 hours	greedy	py_cli
50000	2018/03/04 03:03	5 hours	greedy	py_cli
60000	2018/03/04 05:18	7 hours	greedy	py_cli
70000	2018/03/04 07:11	9 hours	greedy	py_cli
80000	2018/03/04 08:43	11 hours	greedy	py_cli

可见haipporxy的代理效果还算不错，在开始的时候可以达到1w/hour的请求量，几个小时候请求量请求量降为了5k/hour。降低的结果可能有三个: (1)随着数据量的增大,Redis的性能受到了一定的影响(2)知乎校验器在把Init Queue中的代理消费完之后，由于是定时任务，所以导致某段时间内新鲜的IP空缺。而免费IP大多数都是短效的，所以这段时间出现了IP的空缺;(3)由于我们采用的是greedy模式调用IP，它的调用策略是: 高质量代理IP会一直被调用直至该代理IP不能用或者被封，而低应速度IP会轮询调用。这也可能导致高质量IP的空缺。

由此可见IP校验和调用策略还有很大的优化空间。希望能有志同道合的朋友加入进来一起优化。

测试代码见examples/zhihu

如何贡献

欢迎给项目提新feature
如果发现项目某些环节有问题，欢迎提issue或者PR
代理IP校验和筛选的策略仍有优化的空间，欢迎大家交流探讨
如果你发现了比较好的代理网站，欢迎分享

huangpd/haipproxy