______ ______ _
| ___ \_ | ___ \ | |
| |_/ / \__ __ __ _ __ _ | |_/ /___ ___ | |
| __/| _// _ \ \ \/ /| | | || __// _ \ / _ \ | |
| | | | | (_) | > < \ |_| || | | (_) | (_) || |___
\_| |_| \___/ /_/\_\ \__ |\_| \___/ \___/ \_____\
__ / /
/___ /
-
测试地址: http://118.24.52.95:5010 (单机勿压。感谢)
- 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
"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
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
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
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。
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。
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。
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:
@kangnwh| @bobobo80| @halleywj| @newlyedward| @wang-ye| @gladmo| @bernieyangmh| @PythonYXY| @zuijiawoniu| @netAir| @scil| @tangrela| @highroom| @luocaodan| @vc5| @1again