位置: 编程技术 - 正文

Python爬虫代理IP池实现方法(python爬虫代理ip巨量http 代理8元/日)

编辑:rootadmin

推荐整理分享Python爬虫代理IP池实现方法(python爬虫代理ip巨量http 代理8元/日),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:python爬虫代理ip池,python爬虫代理ip巨量http 代理价格低,python爬虫代理ip巨量http 代理,python爬虫代理ip巨量http 代理ip多,python爬虫代理ip巨量http ip价格低,python爬虫代理ip池,python爬虫代理ip巨量http 代理ip多,python爬虫代理ip巨量http 代理ip多,内容如对您有帮助,希望把文章链接给更多的朋友!

&#;在公司做分布式深网爬虫,搭建了一套稳定的代理池服务,为上千个爬虫提供有效的代理,保证各个爬虫拿到的都是对应网站有效的代理IP,从而保证爬虫快速稳定的运行,当然在公司做的东西不能开源出来。不过呢,闲暇时间手痒,所以就想利用一些免费的资源搞一个简单的代理池服务。

1、问题

代理IP从何而来?刚自学爬虫的时候没有代理IP就去西刺、快代理之类有免费代理的网站去爬,还是有个别代理能用。当然,如果你有更好的代理接口也可以自己接入。   免费代理的采集也很简单,无非就是:访问页面页面 —> 正则/xpath提取 —> 保存

如何保证代理质量?可以肯定免费的代理IP大部分都是不能用的,不然别人为什么还提供付费的(不过事实是很多代理商的付费IP也不稳定,也有很多是不能用)。所以采集回来的代理IP不能直接使用,可以写检测程序不断的去用这些代理访问一个稳定的网站,看是否可以正常使用。这个过程可以使用多线程或异步的方式,因为检测代理是个很慢的过程。

采集回来的代理如何存储?这里不得不推荐一个高性能支持多种数据结构的NoSQL数据库SSDB,用于代理Redis。支持队列、hash、set、k-v对,支持T级别数据。是做分布式爬虫很好中间存储工具。

如何让爬虫更简单的使用这些代理?答案肯定是做成服务咯,python有这么多的web框架,随便拿一个来写个api供爬虫调用。这样有很多好处,比如:当爬虫发现代理不能使用可以主动通过api去delete代理IP,当爬虫发现代理池IP不够用时可以主动去refresh代理池。这样比检测程序更加靠谱。

2、代理池设计

代理池由四部分组成:

ProxyGetter:代理获取接口,目前有5个免费代理源,每调用一次就会抓取这个5个网站的最新代理放入DB,可自行添加额外的代理获取接口;

DB:用于存放代理IP,现在暂时只支持SSDB。至于为什么选择SSDB,大家可以参考这篇文章,个人觉得SSDB是个不错的Redis替代方案,如果你没有用过SSDB,安装起来也很简单,可以参考这里;

Schedule:计划任务用户定时去检测DB中的代理可用性,删除不可用的代理。同时也会主动通过ProxyGetter去获取最新代理放入DB;

ProxyApi:代理池的外部接口,由于现在这么代理池功能比较简单,花两个小时看了下Flask,愉快的决定用Flask搞定。功能是给爬虫提供get/delete/refresh等接口,方便爬虫直接使用。

[HTML_REMOVED] 设计

3、代码模块

Python中高层次的数据结构,动态类型和动态绑定,使得它非常适合于快速应用开发,也适合于作为胶水语言连接已有的软件部件。用Python来搞这个代理IP池也很简单,代码分为6个模块:

Api:   api接口相关代码,目前api是由Flask实现,代码也非常简单。客户端请求传给Flask,Flask调用ProxyManager中的实现,包括get/delete/refresh/get_all;

DB:   数据库相关代码,目前数据库是采用SSDB。代码用工厂模式实现,方便日后扩展其他类型数据库;

Manager:   get/delete/refresh/get_all等接口的具体实现类,目前代理池只负责管理proxy,日后可能会有更多功能,比如代理和爬虫的绑定,代理和账号的绑定等等;

Python爬虫代理IP池实现方法(python爬虫代理ip巨量http 代理8元/日)

ProxyGetter:   代理获取的相关代码,目前抓取了快代理、代理、有代理、西刺代理、guobanjia这个五个网站的免费代理,经测试这个5个网站每天更新的可用代理只有六七十个,当然也支持自己扩展代理接口;

Schedule:   定时任务相关代码,现在只是实现定时去刷新代码,并验证可用代理,采用多进程方式;

Util:   存放一些公共的模块方法或函数,包含GetConfig:读取配置文件config.ini的类,ConfigParse: 集成重写ConfigParser的类,使其对大小写敏感, Singleton:实现单例,LazyProperty:实现类属性惰性计算。等等;

其他文件:   配置文件:Config.ini,数据库配置和代理获取接口配置,可以在GetFreeProxy中添加新的代理获取方法,并在Config.ini中注册即可使用;

4、安装

下载代码:

安装依赖:

启动:

5、使用

定时任务启动后,会通过代理获取方法fetch所有代理放入数据库并验证。此后默认每分钟会重复执行一次。定时任务启动大概一两分钟后,便可在SSDB中看到刷新出来的可用的代理:

启动ProxyApi.py后即可在浏览器中使用接口获取代理,一下是浏览器中的截图:index页面:

get页面:

get_all页面:

爬虫中使用,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:

6、最后

时间仓促,功能和代码都比较简陋,以后有时间再改进。喜欢的在github上给个star。感谢!

项目地址:

Python线程指南详细介绍 本文介绍了Python对于线程的支持,包括学会多线程编程需要掌握的基础以及Python两个线程标准库的完整介绍及使用示例。注意:本文基于Python2.4完成,

关于Python元祖,列表,字典,集合的比较 定义方法列表可以包含不同类型的对象,可以增减元素,可以跟其他的列表结合或者把一个列表拆分,用[]来定义的eg:aList=[,'abc',4.,['inner','list'],7-9j]1

Python正则表达式实现截取成对括号的方法 本文实例讲述了Python正则表达式实现截取成对括号的方法。分享给大家供大家参考,具体如下:strs='1(2(3(4(5()6)7)8)9)0'reg1=re.compile('([()])')#一对括号reg2=re

标签: python爬虫代理ip巨量http 代理8元/日

本文链接地址:https://www.jiuchutong.com/biancheng/381356.html 转载请保留说明!

上一篇:在 Python 应用中使用 MongoDB的方法(在python中的用法)

下一篇:Python线程指南详细介绍(python 线程教程)

  • 餐饮费入什么科目
  • 小规模纳税人免税会计分录
  • 跨年的预收账款怎么记账
  • 一般纳税人的发票抵扣进项税额
  • 以不动产投资入股增值税
  • 金蝶迷你版会计科目代码格式
  • 食堂临聘人员的管理、考核
  • 稳岗返还入什么科目
  • 向个人账户汇款选项
  • 建筑业适用什么行业
  • 以个人使用过的设备投资免增值税吗
  • 城市维护建设税是什么意思
  • 海关废品回收
  • 预收款开票的税务处理
  • 事业专款支出形成的固定资产如何入账?
  • 企业清算时未抵扣的进项税账务处理
  • 工程投标保证金最新规定
  • 公司牌车还款从哪里扣款
  • 股票回购后多久注销
  • 缴纳企业所得税怎么计算
  • 给员工购消费卡怎么做账
  • 怎么用手撕胶带图解
  • 淘宝开企业店铺需要什么资料
  • 公司注销了之后银行账户还能用吗
  • 产品核算会计业务流程
  • 无法手动设置时区
  • 电脑游戏没法玩怎么办
  • 应收账款的账务处理方式是什么
  • mac怎么把通知栏固定
  • Win10如何去掉桌面快捷方式的箭头
  • 发票认证了但是没收到票怎么处理
  • win11的09累积更新
  • 其他应付款怎么平账
  • 喝薏米红豆水最佳时间
  • 受托加工要交消费税吗
  • 企业需要税务登记吗
  • zendframework3中文手册
  • php ajax请求
  • ai引领技术变革是什么
  • python datetime把日期转换字符串
  • python中的包有哪些
  • 信息技术服务费税收编码
  • mysql基本sql语句大全(基础用语篇)
  • mysql行锁的作用
  • 投资性房地产在资产负债表中的列示
  • 购礼品送客户的文案
  • 客户是否需要向客户介绍
  • 工程进度节点奖励考核
  • 房地产企业代收费用
  • 业务招待费的扣除标准60%什么意思
  • 现金管理办法的内容包括
  • 小规模附加税要交吗
  • 无形资产的处置方式有哪些
  • 无形资产的项目有哪些
  • 固定资产的主要特征
  • 航天金税税控盘服务电话
  • 销售额是营业额吗?
  • 设计会计凭证
  • 检查mysql是否正常
  • 分析sql语句性能实现
  • sqlserver数据库怎么导出
  • microsoft wlan
  • windows取消ctrl+alt+del
  • win7系统调亮度怎么调
  • linux的批处理
  • win7系统如何连接共享打印机
  • Ubuntu 下搭建网站服务器
  • javascript数据结构与算法第三版
  • Unity 相关经典博客资源总结
  • shader教程
  • Node.js中的什么模块是用于处理文件和目录的
  • div style display none
  • cmd开机启动命令
  • 批处理文件是将需要连续使用的可多次重复使用的
  • jquery动态添加的元素怎么添加事件
  • 中通快递深圳同城多少钱
  • 动态简报和工作总结
  • 税务局科员是什么职业
  • 税务登记表格怎么填写
  • 怎么批量打开excel文件
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设