做爬虫时,遇到访问太频繁IP被封是难以避免的,而本地单个IP是不足以进行大规模爬取,并且自己并不想购买付费代理,在这里构建一个IP代理池是非常有必要的。
代理池主要由5部分组成:ProxyGeter(代理获取模块)、RedisClient(代理管理模块,负责存储、删除、取出等基本操作)、Texter(代理可用性测试模块)和Web_Api(用户获取模块)。
ProxyGeter
从几个代理网站爬取最新的代理,并把代理存储到redis数据库中
RedisClient
主要实现ip的删、减、增等基本操作,
采用reids的几方面原因如下:
- redis的hash数据结构可以为IP的有效性(根据可用性分为0-100)进行评分;
- redis提供的key-value更方便地储存IP;
- 对于IP的存储、提取、删除、查询数量等功能会更加地快捷;
Texter
模块的主要目的是检测ip的可用性。提前设置好需要检测的网站站点,然后随机取出数据库中的代理,用获取到的ip来访问目标站点:
- 若访问无效,首先降低ip的分数等级(减10),其次做判断:若该ip的分数等级低于10分直接从reids数据库中删除;
- 若访问有效,首先增加ip的分数等级(加10),其次更新reids中该ip的分数等级;
Web_Api
为了让用户获取可用性ip更加方便一点,这里利用flask框架做了一个API,这个接口连接着redis数据库;
当打开这个api开关时,直接从redis数据库中随机获取一个分数等级高的ip,用户可以通过访问这个接口(提供的url)就可以获取相应的IP代理。
这四个模块时彼此独立的(例如,当检测一个ip不可用时,需要调用RedisClient来从数据库中删除这个ip),因此需要引入一个新的模块:Schedule来进行协调。
代理池的运作关系如下图:
代码实现部分
在构建ip代理池过程中,如果使用redis数据库和flask框架,则需要提前完成相关配置。
部分代码:
class Tester(object): def __init__(self): self.redis =Redisclient() async def text_single_proxy(self,proxy): ''' 测试单个代理的可用性; :param proxy: 单个代理; :return: ''' conn = aiohttp.TCPConnector(verify_ssl=False) async with aiohttp.ClientSession(connector=conn) as session: try: if isinstance(proxy,bytes): proxy =proxy.decode('utf-8') real_proxy = 'http://'+proxy async with session.get(TEXT_URL,proxy = real_proxy,timeout = 15) as response: if response.status in VAILD_SATTUS_CODES: self.redis.max(proxy) print('') print('代理可用',proxy) else: self.redis.decrease_proxy(proxy) print('请求响应码不合法',proxy) except (TimeoutError,AttributeError): self.redis.decrease_proxy(proxy) print('代理请求失败') def run(self): ''' 调用主函数; :return: ''' print('测试器开始运行') try: proxies = self.redis.get_all_prpxy() loop =asyncio.get_event_loop() #批量测试 for i in range(0,len(proxies),BATCH_TEXT_SIZE): test_proxies = proxies[i:i+BATCH_TEXT_SIZE] tasks = [self.text_single_proxy(proxy) for proxy in test_proxies] loop.run_until_complete(asyncio.wait(tasks)) time.sleep(5) except Exception as e: print('测试器发生错误',e.args)
ip代理池实现效果
-
获取、测试代理:
-
Flask_api接口获取代理:
以上是ip代理池的整个搭建过程,但是与映射于一句话 最便宜的也就是最贵的一样,源于免费,会造成大量用户使用,并且ip的质量堪忧,远不如付费ip。关于全部源码的获取方式:关注微信公众号:zeroing˵,后台回复关键词:ip代理0907 即可。
来源:51CTO
作者:zeroingzm
链接:https://blog.csdn.net/weixin_42512684/article/details/100690335