GitLocker: The Coding Marketplace

Description:

proxypoolpro 1.3.5

爬虫IP代理池

______ ______ _
| ___ \_ | ___ \ | |
| |_/ / \__ __ __ _ __ _ | |_/ /___ ___ | |
| __/| _// _ \ \ \/ /| | | || __// _ \ / _ \ | |
| | | | | (_) | > < \ |_| || | | (_) | (_) || |___
\_| |_| \___/ /_/\_\ \__ |\_| \___/ \___/ \_____\
__ / /
/___ /

介绍文档

支持版本:

测试地址: http://118.24.52.95:5010 (单机勿压。感谢)

下载安装

下载源码:

git clone git@github.com:jhao104/proxy_pool.git

或者直接到https://github.com/jhao104/proxy_pool 下载zip文件

安装依赖:

pip install -r requirements.txt

配置Config/setting.py:

# Config/setting.py 为项目配置文件

# 配置DB
DATABASES = {
"default": {
"TYPE": "SSDB", # 如果使用SSDB或redis数据库，均配置为SSDB
"HOST": "127.0.0.1", # db host
"PORT": 8888, # db port
"NAME": "proxy", # 默认配置
"PASSWORD": "" # db password

}
}

# 配置 ProxyGetter

PROXY_GETTER = [
"freeProxyFirst", # 这里是启用的代理抓取函数名，可在ProxyGetter/getFreeProxy.py 扩展
"freeProxySecond",
....
]

# 配置 API服务

SERVER_API = {
"HOST": "0.0.0.0", # 监听ip, 0.0.0.0 监听所有IP
"PORT": 5010 # 监听端口
}

# 上面配置启动后，代理池访问地址为 http://127.0.0.1:5010

启动:

# 如果你的依赖已经安全完成并且具备运行条件,可以直接在Run下运行main.py
# 到Run目录下:
>>>python main.py

# 如果运行成功你应该看到有4个main.py进程

# 你也可以分别运行他们,
# 依次到Api下启动ProxyApi.py,Schedule下启动ProxyRefreshSchedule.py和ProxyValidSchedule.py即可.

生产环境 Docker/docker-compose

# Workdir proxy_pool
docker build -t proxy_pool .
pip install docker-compose
docker-compose -f Docker/docker-compose.yml up -d

开发环境 Docker

# Workdir proxy_pool
docker build -t proxy_pool .
docker run -it --rm -v $(pwd):/usr/src/app -p 5010:5010 proxy_pool

使用
　　启动过几分钟后就能看到抓取到的代理IP，你可以直接到数据库中查看，推荐一个SSDB可视化工具。
　　也可以通过api访问http://127.0.0.1:5010 查看。

Api

api
method
Description
arg

/
GET
api介绍
None

/get
GET
随机获取一个代理
None

/get_all
GET
获取所有代理
None

/get_status
GET
查看代理数量
None

/delete
GET
删除代理
proxy=host:ip

爬虫使用

　　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：
import requests

def get_proxy():
return requests.get("http://127.0.0.1:5010/get/").content

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

扩展代理
　　项目默认包含几个免费的代理获取方法，但是免费的毕竟质量不好，所以如果直接运行可能拿到的代理质量不理想。所以，提供了代理获取的扩展方法。
　　添加一个新的代理获取方法如下:

1、首先在GetFreeProxy类中添加你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，例如:

class GetFreeProxy(object):
# ....

# 你自己的方法
@staticmethod
def freeProxyCustom(): # 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任意你喜欢的姿势都行
# 假设你拿到了一个代理列表
proxies = ["139.129.166.68:3128", "139.129.166.61:3128", ...]
for proxy in proxies:
yield proxy
# 确保每个proxy都是 host:ip正确的格式就行

2、添加好方法后，修改Config/setting.py文件中的PROXY_GETTER项：

　　在PROXY_GETTER下添加自定义的方法的名字:
PROXY_GETTER = [
"freeProxyFirst",
"freeProxySecond",
....
"freeProxyCustom" # # 确保名字和你添加方法名字一致
]

　　ProxyRefreshSchedule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。
代理采集
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):

厂商名称
状态
更新速度
可用率
是否被墙
地址

无忧代理
可用
几分钟一次
*
否
地址

66代理
可用
更新很慢
*
否
地址

西刺代理
可用
几分钟一次
*
否
地址

全网代理
可用
几分钟一次
*
否
地址

训代理
已关闭免费代理
*
*
否
地址

快代理
可用
几分钟一次
*
否
地址

云代理
可用
几分钟一次
*
否
地址

IP海
可用
几小时一次
*
否
地址

免费IP代理库
可用
快
*
否
地址

中国IP地址
可用
几分钟一次
*
是
地址

Proxy List
可用
几分钟一次
*
是
地址

ProxyList+
可用
几分钟一次
*
是
地址

如果还有其他好的免费代理网站, 可以在提交在issues, 下次更新时会考虑在项目中支持。
问题反馈
　　任何问题欢迎在Issues 中反馈，如果没有账号可以去我的博客中留言。
　　你的反馈会让此项目变得更加完美。
贡献代码
　　本项目仅作为基本的通用的代理池架构，不接收特有功能(当然,不限于特别好的idea)。
　　本项目依然不够完善，如果发现bug或有新的功能添加，请在Issues中提交bug(或新功能)描述，在确认后提交你的代码。
　　这里感谢以下contributor的无私奉献：
　　@kangnwh| @bobobo80| @halleywj| @newlyedward| @wang-ye| @gladmo| @bernieyangmh| @PythonYXY| @zuijiawoniu| @netAir| @scil| @tangrela| @highroom| @luocaodan| @vc5| @1again
Release Notes
release notes