ProxyPool 爬虫代理IP池

1. ProxyPool 爬虫代理IP池

爬虫代理 IP 池项目，主要功能为定时采集网上发布的免费代理验证入库，定时验证入库的代理保证代理的可用性，提供 API 和 CLI 两种使用方式。同时你也可以扩展代理源以增加代理池 IP 的质量和数量。

文档: document
测试地址: http://demo.spiderpy.cn (勿压谢谢)
付费代理推荐: luminati-china。国外的亮数据 BrightData（以前叫 Luminati）被认为是代理市场领导者，覆盖全球的 7200 万 IP，大部分是真人住宅 IP，成功率扛扛的。付费套餐多种，需要高质量代理 IP 的可以注册后联系中文客服，开通后赠送 5 美金余额和教程指引。(PS: 用不明白的同学可以参考这个使用教程)

1.1. 运行项目

1.1.1. 下载代码

git clone：

git clone [email protected]:jhao104/proxy_pool.git

releases：

# https://github.com/jhao104/proxy_pool/releases 下载对应 zip 文件

1.1.2. 安装依赖

pip install -r requirements.txt

1.1.3. 更新配置

setting.py 为项目配置文件：

# 配置 API 服务
HOST = "0.0.0.0"               # IP
PORT = 5000                    # 监听端口

# 配置数据库
DB_CONN = 'redis://:[email protected]:8888/0'

# 配置 ProxyFetcher
PROXY_FETCHER = [
    "freeProxy01",      # 这里是启用的代理抓取方法名，所有 fetch 方法位于 fetcher/proxyFetcher.py
    "freeProxy02",
    # ....
]

1.1.4. 启动项目

如果已经具备运行条件，可通过 proxyPool.py 启动。程序分为 schedule 调度程序和 server API 服务：

# 启动调度程序
python proxyPool.py schedule

# 启动 web API 服务
python proxyPool.py server

1.2. Docker

1.2.1. Docker Image

docker pull jhao104/proxy_pool

docker run --env DB_CONN=redis://:password@ip:port/0 -p 5010:5010 jhao104/proxy_pool:latest

1.2.2. Docker-compose

项目目录下运行：

docker-compose up -d

1.3. 使用

1.3.1. API

启动 web 服务后，默认配置下会开启 http://127.0.0.1:5010 的 API 接口服务：

API	Method	Description	Params
`/`	GET	API 介绍	None
`/get`	GET	随机获取一个代理	可选参数: `?type=https` 过滤支持 https 的代理
`/pop`	GET	获取并删除一个代理	可选参数: `?type=https` 过滤支持 https 的代理
`/all`	GET	获取所有代理	可选参数: `?type=https` 过滤支持 https 的代理
`/count`	GET	查看代理数量	None
`/delete`	GET	删除代理	`?proxy=host:ip`

1.3.2. 爬虫使用

如果要在爬虫代码中使用，可以将此 API 封装成函数直接使用：

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))

# your spider code
def getHtml():
    retry_count = 5
    proxy = get_proxy().get("proxy")
    while retry_count > 0:
        try:
            html = requests.get('http://www.example.com', proxies={"http": "http://{}".format(proxy)})
            # 使用代理访问
            return html
        except Exception:
            retry_count -= 1
    # 删除代理池中代理
    delete_proxy(proxy)
    return None

1.4. 扩展代理

项目默认包含几个免费的代理获取源，但免费的毕竟质量有限，直接运行可能拿到的代理质量不理想。提供了代理获取的扩展方法：

添加一个新的代理源方法：

首先在 ProxyFetcher 类中添加自定义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：

class ProxyFetcher(object):
    # ....

    # 自定义代理源获取方法
    @staticmethod
    def freeProxyCustom1():  # 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
        # 假设你已经拿到了一个代理列表
        proxies = ["x.x.x.x:3128", "x.x.x.x:80"]
        for proxy in proxies:
            yield proxy
        # 确保每个 proxy 都是 host:ip 正确的格式返回

添加好方法后，修改 setting.py 文件中的 PROXY_FETCHER 项：

PROXY_FETCHER = [
    "freeProxy01",
    "freeProxy02",
    # ....
    "freeProxyCustom1"  # 确保名字和你添加的方法名字一致
]

schedule 进程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。

1.5. 免费代理源

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）：

代理名称	状态	更新速度	可用率	地址	代码
站大爷	✔	★	**	地址	`freeProxy01`
66 代理	✔	★	*	地址	`freeProxy02`
开心代理	✔	★	*	地址	`freeProxy03`
FreeProxyList	✔	★	*	地址	`freeProxy04`
快代理	✔	★	*	地址	`freeProxy05`
冰凌代理	✔	★★★	*	地址	`freeProxy06`
云代理	✔	★	*	地址	`freeProxy07`
小幻代理	✔	★★	*	地址	`freeProxy08`
免费代理库	✔	☆	*	地址	`freeProxy09`
89 代理	✔	☆	*	地址	`freeProxy10`
稻壳代理	✔	★★	***	地址	`freeProxy11`