欢迎光临
我们一直在努力

Python搭建代理池 为你的爬虫程序保驾护航

由于爬虫工作往往有大量数据需爬取,便需要大量的备用IP更换,这时就需要用到代理IP池。将大量可以用于更换的代理IP汇聚要一起,便于管理和调用,IP池就这样产生了。IP池有一下特征:它里面的IP是持续补充的,会有源源不断的新的IP被加入到池子中。它里面的IP是有生命周期的,一但失效就会被清除出 IP池;它里面的IP是可以被任意取出,方便爬虫用户使用的。

私信小编01即可获取大量Python学习资料

免费ip其实是不适合搭建代理池的,因为数量上面不具备优势,而且很耗时,大家需要用时间来一一排查,要做就要做好,建议大家还是选择专业一点的提供商。

代理池主要分四个部分:IP抓取,IP有效性检测,IP存储,webAPI提供。示意图如下:

 


数据库选择redis,它的有序集合可以给插入值赋于一个"分数"用于排序存取值等等,我们可以利用分数绑定ip的可用性进行提取及检测管理。Redis有序集合的基本操作

  • 爬取模块

该模块主要是采用爬虫去付费api或者代理网站来获取ip,加入数据库并设置初始分数50分。
在这里我采用了aiohttp异步采集,提高效率。所有爬虫基于父类开发。

class BaseCrawler(object):
    urls = []
    # new_loop = asyncio.new_event_loop()
    # asyncio.set_event_loop(new_loop)
    LOOP = asyncio.get_event_loop()
    asyncio.set_event_loop(LOOP)

    @retry(stop_max_attempt_number=3, retry_on_result=lambda x: x is None)
    async def _get_page(self, url):
        async with aiohttp.ClientSession() as session:
            try:
                async with session.get(
                        url,  timeout=10
                ) as resp:
                    # print(dir(resp.content),resp.content)
                    return await resp.text()
            except:
                return ''

    def crawl(self):
        """
        crawl main method
        """
        for url in self.urls:
            app_logger.info(f'fetching {url}')
            # html = self.LOOP.run_until_complete(asyncio.gather(self._get_page(url)))
            html = self.LOOP.run_until_complete(self._get_page(url))
            # print('html', html)
            for proxy in self.parse(html):
                # app_logger.info(f'fetched proxy {proxy.string()} from {url}')
                yield proxy

注:一般采取付费的代理平台,IP稳定寿命长。

  • 测试模块

先明确策略,代理可用则设置为100分,不可用则减一定分值,分值减为0后视为完全不可用且从数据库中删除,当需要使用代理时从redis中优先取出100分ip中的随机一个,若无100分的则取最高分中的一个。检测也采用异步模式,最开始制定测试网址(默认为百度)。

class Tester(object):
    """
    tester for testing proxies in queue
    """

    def __init__(self):
        self.redis = RedisClient()
        self.loop = asyncio.get_event_loop()

    async def test(self, proxy):
        """
        test single proxy
        :param proxy:
        :return:
        """
        async with aiohttp.ClientSession(connector=aiohttp.TCPConnector(ssl=False)) as session:
            try:
                app_logger.debug(f'testing {proxy}')
                async with session.get(TEST_URL, proxy=f'http://{proxy}', timeout=TEST_TIMEOUT,
                                       allow_redirects=False) as response:
                    if response.status in TEST_VALID_STATUS:
                        self.redis.set_max(proxy)
                        app_logger.debug(f'proxy {proxy} is valid, set max score')
                    else:
                        self.redis.decrease(proxy)
                        app_logger.debug(f'proxy {proxy} is invalid, decrease score')
            except EXCEPTIONS:
                self.redis.decrease(proxy)
                app_logger.debug(f'proxy {proxy} is invalid, decrease score')

    def run(self):
        """
        test main method
        :return:
        """
        # event loop of aiohttp
        app_logger.info('stating tester...')
        count = self.redis.count()
        app_logger.debug(f'{count} proxies to test')
        for i in range(0, count, TEST_BATCH):
            # start end end offset
            start, end = i, min(i + TEST_BATCH, count)
            app_logger.debug(f'testing proxies from {start} to {end} indices')
            proxies = self.redis.batch(start, end)
            tasks = [self.test(proxy) for proxy in proxies]
            # run tasks using event loop
            self.loop.run_until_complete(asyncio.wait(tasks))
  • API接口模块

该模块Flask搭建简易web服务,提供随机获取有效IP及总IP数的接口。

__all__ = ['app']

app = Flask(__name__)


def get_conn():
    """
    get redis client object
    :return:
    """
    if not hasattr(g, 'redis'):
        g.redis = RedisClient()
    return g.redis


@app.route('/')
def index():
    """
    get home page, you can define your own templates
    :return:
    """
    return '<h2>Welcome to Proxy Pool System</h2>'


@app.route('/random')
def get_proxy():
    """
    get a random proxy
    :return: get a random proxy
    """
    conn = get_conn()
    return conn.random()


@app.route('/count')
def get_count():
    """
    get the count of proxies
    :return: count, int
    """
    conn = get_conn()
    return str(conn.count())

以上为代理池的基本功能,另外需要再创建一个调度器协调控制各功能模块,检测与获取IP需要定时进行,web服务在后台运行。定时采用Python的定时管理库apscheduler,同时通过multiprocessing管理各功能模块多进程运行。

class Scheduler(object):
    """Scheduler"""

    def run_tester(self, cycle=CYCLE_TESTER):
        """
        定时启动检测器
        :param cycle:
        :return:
        """
        if not ENABLE_TESTER:
            app_logger.info('tester not enabled, exit')
            return
        tester = Tester()
        sch.add_job(tester.run, 'interval', seconds=cycle, id='run_tester')
        sch.start()

    def run_getter(self, cycle=CYCLE_GETTER):
        """
        定时开启爬虫补充代理
        :param cycle:
        :return:
        """
        if not ENABLE_GETTER:
            app_logger.info('getter not enabled, exit')
            return
        getter = Getproxies()
        sch.add_job(getter.run, 'interval', seconds=cycle, id='run_getter')
        sch.start()

    def run_server(self):
        """web服务端开启"""
        if not ENABLE_SERVER:
            app_logger.info('server not enabled, exit')
            return
        app.run(host=API_HOST, port=API_PORT, threaded=API_THREADED)

    def run(self):
        """调度器启动"""
        global tester_process, getter_process, server_process
        try:
            app_logger.info('starting proxypool...')
            if ENABLE_TESTER:
                tester_process = multiprocessing.Process(target=self.run_tester)
                app_logger.info(f'starting tester, pid {tester_process.pid}...')
                tester_process.start()

            if ENABLE_GETTER:
                getter_process = multiprocessing.Process(target=self.run_getter)
                # print(dir(getter_process),getter_process)
                app_logger.info(f'starting getter, pid{getter_process.pid}...')
                getter_process.start()

            if ENABLE_SERVER:
                server_process = multiprocessing.Process(target=self.run_server)
                app_logger.info(f'starting server, pid{server_process.pid}...')
                server_process.start()

            tester_process.join()
            getter_process.join()
            server_process.join()
        except KeyboardInterrupt:
            app_logger.info('received keyboard interrupt signal')
            tester_process.terminate()
            getter_process.terminate()
            server_process.terminate()
        finally:
            # must call join method before calling is_alive
            tester_process.join()
            getter_process.join()
            server_process.join()
            app_logger.info(f'tester is {"alive" if tester_process.is_alive() else "dead"}')
            app_logger.info(f'getter is {"alive" if getter_process.is_alive() else "dead"}')
            app_logger.info(f'server is {"alive" if server_process.is_alive() else "dead"}')
            app_logger.info('proxy terminated')
 收藏 (0) 打赏

您可以选择一种方式赞助本站

支付宝扫一扫赞助

微信钱包扫描赞助

未经允许不得转载:英协网 » Python搭建代理池 为你的爬虫程序保驾护航

分享到: 生成海报
avatar

热门文章

  • 评论 抢沙发

    • QQ号
    • 昵称 (必填)
    • 邮箱 (必填)
    • 网址

    登录

    忘记密码 ?

    切换登录

    注册

    我们将发送一封验证邮件至你的邮箱, 请正确填写以完成账号注册和激活