代理池介紹
在進行網絡爬蟲時,由於一些網站的反爬措施會有封ip的現象,可使用代理池來進行代理ip的處理。
代理池的要求:
多站抓取,異步檢測。
定時篩選,持續更新。
提供接口,易於提取。
代理池架構:
獲取器
過濾器
代理隊列
定時檢測
參考代理池源碼
https://github.com/jhao104/proxy_pool
安裝依賴
(將下載的源碼解壓到自定義目錄,使用命令行到該目錄下進行安裝)
pip install -r requirements.txt
安裝時,出現以下情況(說明網速太慢,用以下解決方案也需要耐心等待)
解決方案:
pip install --default-timeout=1000 庫名
如圖:
檢查:
Redis安裝和配置
下載路徑:https://github.com/microsoftarchive/redis/releases
再下載個Redis桌面管理:https://github.com/uglide/RedisDesktopManager/releases/tag/0.8.8
找到redis-desktop-manager.exe可執行文件
下載完安裝好後,打開,填寫localhost
就可以開始添加鍵和值了
Redis、Flask維護代理池
pycharm導入所下載的包,設置好相應的環境
配置Config/setting.py:
#Config/setting.py 爲項目配置文件
#配置DB
DATABASES = {
"default": {
"TYPE": "SSDB", # 目前支持SSDB或redis數據庫
"HOST": "127.0.0.1", # db host
"PORT": 8888, # db port,例如SSDB通常使用8888,redis通常默認使用6379
"NAME": "proxy", # 默認配置
"PASSWORD": "" # db password
}
}
配置 ProxyGetter
PROXY_GETTER = [
"freeProxy01", # 這裏是啓用的代理抓取函數名,可在ProxyGetter/getFreeProxy.py 擴展
"freeProxy02",
....
]
配置 API服務
SERVER_API = {
"HOST": "0.0.0.0", # 監聽ip, 0.0.0.0 監聽所有IP
"PORT": 5010 # 監聽端口
}
上面配置啓動後,代理池訪問地址爲http://127.0.0.1:5010
這裏顯示有些包不滿足條件,可以點擊安裝,如果已經安裝,可以忽視
啓動
如果依賴已經安全完成並且具備運行條件,可以在cli下運行通過ProxyPool.py
啓動
程序分爲: schedule 調度程序
和 webserver Api服務
首先啓動調度程序python proxyPool.py schedule
然後啓動webApi服務python proxyPool.py webserver
在爬蟲中的使用
#將api封裝成函數直接使用
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))
# 爬蟲代碼
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)})
# 使用代理訪問
return html
except Exception:
retry_count -= 1
# 出錯5次, 刪除代理池中代理
delete_proxy(proxy)
return None