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)

  • 增值税电子发票可以作废吗
  • 增值税是价内税,消费者是税款的最终负担者( ) A对 B错
  • 电汇凭证的会计怎么做账
  • 外出经营涉税事项报告
  • 怎么在电子税务局添加银行账户
  • 发票丢失了能开红字发票吗
  • 企业公示实缴填写
  • 支付增值税税控系统技术维护费用500元
  • 金融业的企业
  • 会计利润包不包括营业外支出
  • 进项税已入账未结转
  • 取得无形资产当期收入
  • 如何调整其他应付款
  • 什么情况下是应收账款
  • 网银转账手续费标准
  • 个人股东转让股权印花税税率
  • 印花税一定要贴花吗
  • 待抵扣进项税额是什么情况下用的
  • 2017年个税税率表及个税计算公式
  • 发票已认证未抵扣怎么办
  • 财税2018年39号公告残保金
  • 企业合并以外
  • 生产车间消耗品管理表
  • 1697508432
  • 法人股东分红如何申报所得税
  • 固定资产报废清理账务处理
  • win7怎么运行在哪里设置
  • 企业收到的政府补贴,怎么入账
  • win7提示windows进行了未授权的更改
  • mac怎么隐藏app
  • php oci_connect
  • 授权经销书模板
  • 所得税和应交所得税
  • 水煮鱼的做法和步骤 家常
  • 集团与子公司资产的关系
  • 外购货物用于公益性捐赠
  • php使用for循环计算1到100的奇数和
  • but all failed
  • 超级鸽卫星
  • 这可能是最好的144平米小平层户型
  • php curl设置cookie
  • 日记账的定义
  • 如何解决在大学的压力英语作文
  • 织梦程序
  • 记账凭证摘要怎么填写
  • 教育培训学校是什么意思
  • 应退或应补税额是负数
  • file文件对象
  • 民间非营利组织会计制度
  • 税局代开专票对方隔月退回重开如何做账务处理呢?
  • 公司给材料商付款表格
  • 长期股权投资如何确认
  • 投资性房地产的定义
  • 关于其他应付款的问题
  • 研发费用会影响什么
  • 企业借款的利息交增值税吗
  • 如何对企业进行有效的控制
  • mysql的心得体会
  • mysql如何优化性能
  • 使用筷子就餐会不会传染乙肝病毒
  • 怎么用u盘安装xp系统教程
  • windows2000修改ip
  • centos如何挂载镜像
  • 电脑如何进入bios选择u盘启动
  • incomp.file ver什么意思
  • 怎么给电脑装win8系统
  • linux操作系统添加用户
  • ps1是什么文件
  • ssh登录报错
  • Win10 Mobile 10586.29重要更新 可以玩wp7中的游戏
  • linux文件批处理命令
  • iphone一直让登陆icloud
  • 用python写周字
  • pygame csdn
  • node的express干什么用
  • js中的div标签怎么用
  • 响应鼠标变换表怎么用
  • 水利基金税率‰6什么时候调整
  • 存款利息需要交税吗
  • 吉林省电子税务局官网
  • 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