ProxyPool

简易高效的代理池，提供如下功能：

定时抓取免费代理网站，简易可扩展。
使用 Redis 对代理进行存储并对代理可用性进行排序。
定时测试和筛选，剔除不可用代理，留下可用代理。
提供代理 API，随机取用测试通过的可用代理。

常规方式运行

配置好 Python、Redis 环境之后，即可运行，步骤如下。

安装和配置 Redis

本地安装 Redis、Docker 启动 Redis、远程 Redis 都是可以的，只要能正常连接使用即可。

首先可以需要一下环境变量，代理池会通过环境变量读取这些值。

设置 Redis 的环境变量有两种方式，一种是分别设置 host、port、password，另一种是设置连接字符串，设置方法分别如下：

设置 host、port、password，如果 password 为空可以设置为空字符串，示例如下：

export REDIS_HOST='localhost'
export REDIS_PORT=6379
export REDIS_PASSWORD=''
export REDIS_DB=0

或者只设置连接字符串：

export REDIS_CONNECTION_STRING='redis://[password]@host:port/db'

如果没有密码也要设置为：

export REDIS_CONNECTION_STRING='redis://@host:port/db'

这里连接字符串的格式需要符合 redis://[password]@host:port/db 的格式，注意不要遗漏 @。

以上两种设置任选其一即可。

安装依赖包

然后 pip 安装依赖即可：

pip3 install -r requirements.txt

运行代理池

两种方式运行代理池，一种是 Tester、Getter、Server 全部运行，另一种是按需分别运行。

一般来说可以选择全部运行，命令如下：

python3 run.py

运行之后会启动 Tester、Getter、Server，这时访问 http://localhost:5555/random 即可获取一个随机可用代理。

或者如果你弄清楚了代理池的架构，可以按需分别运行，命令如下：

python3 run.py --processor getter
python3 run.py --processor tester
python3 run.py --processor server

这里 processor 可以指定运行 Tester、Getter 还是 Server。

使用

成功运行之后可以通过 http://localhost:5555/random 获取一个随机可用代理。

可以用程序对接实现，下面的示例展示了获取代理并爬取网页的过程：

import requests

proxypool_url = 'http://127.0.0.1:5555/random'
target_url = 'http://httpbin.org/get'

def get_random_proxy():
    """
    get random proxy from proxypool
    :return: proxy
    """
    return requests.get(proxypool_url).text.strip()

def crawl(url, proxy):
    """
    use proxy to crawl page
    :param url: page url
    :param proxy: proxy, such as 8.8.8.8:8888
    :return: html
    """
    proxies = {'http': 'http://' + proxy}
    return requests.get(url, proxies=proxies).text


def main():
    """
    main method, entry point
    :return: none
    """
    proxy = get_random_proxy()
    print('get random proxy', proxy)
    html = crawl(target_url, proxy)
    print(html)

if __name__ == '__main__':
    main()

运行结果如下：

get random proxy 116.196.115.209:8080
{
  "args": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.22.0", 
    "X-Amzn-Trace-Id": "Root=1-5e4d7140-662d9053c0a2e513c7278364"
  }, 
  "origin": "116.196.115.209", 
  "url": "https://httpbin.org/get"
}

可以看到成功获取了代理，并请求 httpbin.org 验证了代理的可用性。

可配置项

代理池可以通过设置环境变量来配置一些参数。

开关

ENABLE_TESTER：允许 Tester 启动，默认 true
ENABLE_GETTER：允许 Getter 启动，默认 true
ENABLE_SERVER：运行 Server 启动，默认 true

环境

APP_ENV：运行环境，可以设置 dev、test、prod，即开发、测试、生产环境，默认 dev
APP_DEBUG：调试模式，可以设置 true 或 false，默认 true

Redis 连接

REDIS_HOST：Redis 的 Host
REDIS_PORT：Redis 的端口
REDIS_PASSWORD：Redis 的密码
REDIS_DB：Redis 的数据库索引，如 0、1
REDIS_CONNECTION_STRING：Redis 连接字符串
REDIS_KEY：Redis 储存代理使用字典的名称

处理器

CYCLE_TESTER：Tester 运行周期，即间隔多久运行一次测试，默认 20 秒
CYCLE_GETTER：Getter 运行周期，即间隔多久运行一次代理获取，默认 100 秒
TEST_URL：测试 URL，默认百度
TEST_TIMEOUT：测试超时时间，默认 10 秒
TEST_BATCH：批量测试数量，默认 20 个代理
TEST_VALID_STATUS：测试有效的状态吗
API_HOST：代理 Server 运行 Host，默认 0.0.0.0
API_PORT：代理 Server 运行端口，默认 5555
API_THREADED：代理 Server 是否使用多线程，默认 true

日志

LOG_DIR：日志相对路径
LOG_RUNTIME_FILE：运行日志文件名称
LOG_ERROR_FILE：错误日志文件名称

以上内容均可使用环境变量配置，即在运行前设置对应环境变量值即可，如更改测试地址和 Redis 键名：

export TEST_URL=http://weibo.cn
export REDIS_KEY=proxies:weibo

即可构建一个专属于微博的代理池，有效的代理都是可以爬取微博的。

如果使用 Docker-Compose 启动代理池，则需要在 docker-compose.yml 文件里面指定环境变量，如：

version: '3'
services:
  redis:
    image: redis:alpine
    container_name: redis
    command: redis-server
    ports:
      - "6379:6379"
    restart: always
  proxypool:
    build: .
    image: 'germey/proxypool'
    container_name: proxypool
    ports:
      - "5555:5555"
    restart: always
    environment:
      REDIS_HOST: redis
      TEST_URL: http://weibo.cn
      REDIS_KEY: proxies:weibo

shenhao-stu/ProxyPool