爬虫IP代理池
______ ______ _, ___ \_, ___ \, _/ / \__ __ __ _ __ _, _/ /___ ___, __/, _// _ \ \ \/ /, __// _ \ / _ \, (_), > < \, _, (_), (_), ___
\_, _, \___/ /_/\_\ \__, \_, \___/ \___/ \_____\
__ / /
/___ /
介绍文档
-
支持版本:
-
测试地址: http://118.24.52.95 (单机勿压, 感谢。 恶意访问关小黑屋哦)
下载安装
- 下载源码:
git clone git@github.com:jhao104/proxy_pool.git
或者直接到https://github.com/jhao104/proxy_pool/releases 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", # 目前支持SSDB或REDIS数据库
"HOST": "127.0.0.1", # db host
"PORT": 8888, # db port，例如SSDB通常使用8888，REDIS通常默认使用6379
"NAME": "proxy", # 默认配置
"PASSWORD": "" # db password
}
}
# 配置 ProxyGetter
PROXY_GETTER = [
"freeProxy01", # 这里是启用的代理抓取函数名，可在ProxyGetter/getFreeProxy.py 扩展
"freeProxy02",
....
]
# 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装完成并且具备运行条件,可以在cli目录下通过ProxyPool.py启。动
# 程序分为: schedule 调度程序 和 webserver Api服务
# 首先启动调度程序
>>>python proxyPool.py schedule
# 然后启动webApi服务
>>>python proxyPool.py webserver
Docker
docker pull jhao104/proxy_pool
docker run --env db_type=REDIS --env db_host=127.0.0.1 --env db_port=6379 --env db_password=pwd_str -p 5010:5010 jhao104/proxy_pool
使用
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/").json()
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().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
扩展代理
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 = [
"freeProxy01",
"freeProxy02",
....
"freeProxyCustom" # # 确保名字和你添加方法名字一致
]
ProxySchedule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。
代理采集
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, 中国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。
问题反馈
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。
贡献代码
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, @obaiyan