异端爬虫：自己构建IP代理池

写在前面

最近无意中看到一个开源代理词项目，在GitHub上有近5000的Star，我试用了一下，感觉还不错，也发现了一些小问题，让其更加可用，由此在这里做个分享。

github项目截图

我们平常都会抓西刺，或者一些提供免费代理的网站，本项目的IP来源也是如此，在他的项目内有这样的注释：

"""
 66ip.cn
 data5u.com
 xicidaili.com
 goubanjia.com
 xdaili.cn
 kuaidaili.com
 cn-proxy.com
 proxy-list.org
 www.mimiip.com to do
"""

上面都是都是可以爬免费代理的网站。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。代码里已经有了，我这里就不多做说明，贴上部分抓取代码

@staticmethod
 def freeProxyTen():
 """
 云代理 http://www.ip3366.net/free/
 :return:
 """
 urls = ['http://www.ip3366.net/free/']
 request = WebRequest()
 for url in urls:
 r = request.get(url, timeout=10)
 proxies = re.findall(r'<td>(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})</td>[\s\S]*?<td>(\d+)</td>', r.text)
 for proxy in proxies:
 yield ":".join(proxy)
 @staticmethod
 def freeProxyEleven():
 """
 代理ip（www.ipdaili.org） http://www.iphai.com/free/ng
 :return:
 """
 urls = [
 'http://www.iphai.com/free/ng',
 'http://www.iphai.com/free/np',
 'http://www.iphai.com/free/wg',
 'http://www.iphai.com/free/wp'
 ]
 request = WebRequest()
 for url in urls:
 r = request.get(url, timeout=10)
 proxies = re.findall(r'<td>\s*?(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})\s*?</td>[\s\S]*?<td>\s*?(\d+)\s*?</td>',
 r.text)
 for proxy in proxies:
 yield ":".join(proxy)

以上是两个网站代理池的解析。感兴趣的可以试试看，大佬直接用正则匹配出来了。

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。

项目提供了SSDB,和Redis来做校验IP队列，和可用IP队列，并用flask把代理做成服务。这样我们可以通过API来获取，更新，删除IP，甚至在实现个人的定制化时更加灵活。下面贴一部分flask的内容：

flask的一些接口信息

通过这个文档我们可以看出作者提供了4个API,分别为：

基本可以覆盖大部分的使用情况。

根据项目分包，可以看出代理池由四部分组成：

大佬个人博客抄来的架构图

我直接把项目拉下来，根据readme设置了配置，直接把我MAC本机的redis做了DB，就可以跑起来了。看项目windows更推荐用Docker拉镜像跑，我这里都不多说了。

由于整个项目的校验机制延时比较长，代码如下：

def run():
 scheduler = BackgroundScheduler()
 # 不用太快, 网站更新速度比较慢, 太快会加大验证压力, 导致raw_proxy积压
 scheduler.add_job(fetchAll, 'interval', minutes=10, id="fetch_proxy")
 scheduler.add_job(batchRefresh, "interval", minutes=1) # 每分钟检查一次
 scheduler.start()
 fetchAll()
 while True:
 time.sleep(3)

每分钟校验一次可用代理，10分钟爬一次免费网站的代理。我个人感觉校验代理的世界太长了，可以看看我的测试。

跑了一天，代理池记录的代理如图

一天内的可用代理

我特别写的校验机制，循环20次校验拿到的代理可用数，如图：

校验结果

第一次校验通过24个代理可用，第二次只有18，中间耗时4s

校验20次的结果

20次校验后，得到的可用代理只有13个

redis存储的代理

由于项目校验可用代理延时为1分钟，最初可用代理76个。当我使用脚本校验20次后，可用的只有13个。意味着在这段时间内，可用的稳定的代理只有13/76，不到20%的稳定率。

在实际使用中，不管使用何种代理，校验都是必不可少的，但是不到20%的代理可用，这会对爬虫造成巨大的干扰，至少在我看来，在这种机制下，校验的IP还具有很大的提升空间。

由于是爬取其他网站的活动代理，我们并不在乎我们单位时间的请求数，只需要在当下的代理可用即可。解决核心：76个IP其实还不如5个较为稳定的IP，我们如何让这76个IP变成5个可用的稳定的IP成为这个项目可以应用在实际工程中的核心。

我后面会单独依托这个项目，加入一个新的校验队列的机制，并通过新的API获得它，以在实际的项目中，获得更好的体验。

欢迎关注我的头条，以获得最新的近况。

通过代理绕过很多网站的确是很好的办法，但是高端的反爬虫越来越依托于秘钥校验等等，硬实力越来越重要。代理永远都只是一个工具，爬虫工程师的核心永远都是自己的对抗能力。