搭建免费代理IP池
最新推荐文章于 2024-04-12 14:35:51 发布
i新木优子
最新推荐文章于 2024-04-12 14:35:51 发布
阅读量3.6w
收藏
276
点赞数
54
最新推荐文章于 2024-04-12 14:35:51 发布
阅读量3.6w
收藏
276
点赞数
54
👨💻博客主页：i新木优子👀
🎉欢迎关注🔍点赞👍收藏⭐留言📝
🧚♂️寄语:成功的秘诀就是每天都比别人多努力一点👣
✨有任何疑问欢迎评论探讨
先声明一下：免费的代理稳定性都不高,即使经过层层筛选有些可能还是不能用,就像矮子里拔高的，即使已经是矮子里最高的，可是还是改变不了是矮子的本质
在做任何事情之前我们都需要先思考，要如何实现？需要用到什么？等等一系列的问题都要想清楚，要先将思路理清了，做起事来才能事半功倍
🎯下面是我做这个项目的思路，可能并不是很好，有更好的想法欢迎留言讨论
代理IP池：
自身：
- 能采集代理IP（用爬虫抓取网站即可）
采集到的IP我们的将它存储起来，这就有一个问题我们要将这些IP存储到哪里？
Mysql？MongoDB？还是Redis？
Mysql：它当然可以存储IP，可是它也有它的局限性，Mysql不能去重，因为有时我们采集到的IP可能一样，还有一个问题就是Mysql查询效率低
MongoDB：也可以存储IP，但它也不能去重
Redis：最合适，首先它的查询效率最高，还有良好的去重的集合（zset）
为什么要用zset呢？
zset有一个特性，他有一个分值（score），我们可以通过控制分值的高低就可以将稳定性高的IP取出来，从而提高免费IP的可用性
不了解Redis基本用法的小伙伴可以去看一下我的上一篇博客哦 - 能验证IP的有效性
先将每个IP定一个初始分值（50），然后对每个IP都进行校验，如果这个IP可用那么就将这个IP的分值拉满（100），如果不可用就进行扣分（10），直到IP变成0分，就将这个IP删除
对外：
- 提供免费的可用的代理IP
思路理清了，接下来就是如何写程序了
采集：写爬虫抓取IP，将IP存储到Redis
校验：从Redis中取出IP，用IP简单发送一个请求，如果可以正常返回，证明该IP可用
提供：写api接口，将可用的IP提供给用户
如果我们按照单线程去完成上面的步骤，就有局限性，只有每次将IP提供给用户，才可以继续采集IP，而我们希望的是这三个步骤互不影响，不管采集、校验还是给用户提供IP，都应该是一直进行，在提供IP的时候也可以继续采集、校验
三个独立的程序，我们就可以用多进程
下图就是IP代理池的模型：
仔细观察上图，三个操作都用到了Redis，所以就先写Redis涉及到的各种操作，再写其他三个功能就可以游刃有余了
1️⃣Redis的各种操作
- 连接Redis
- zset存储
判断IP存不存在，不存在就新增 - 查询所有IP（校验IP时要用到）
- 将分值拉满（IP可用）
- 将分值降低（IP不可用）
- 查询可用的IP
先给满分的，没有满分的给51-99分的
# redis的各种操作
from redis import Redis
from settings import *
class ProxyRedis:
# 连接redis
def __init__(self):
self.red = Redis(
host=REDIS_HOST,
port=REDIS_PORT,
db=REDIS_DB,
password=REDIS_PASSWORD,
decode_responses=True
)
# 存储ip
def add_proxy_ip(self, ip):
# 判断是否有ip
if not self.red.zscore(REDIS_KEY, ip):
self.red.zadd(REDIS_KEY, {ip: DEFAULT_SCORE})
print("采集到了IP地址了", ip)
else:
print("采集到了IP地址了", ip, "但是已经存在")
# 查询所有ip
def get_all_proxy(self):
return self.red.zrange(REDIS_KEY, 0, -1)
# 将分值拉满
def set_max_score(self, ip):
self.red.zadd(REDIS_KEY, {ip: MAX_SCORE})
# 降低分值
def reduce_score(self, ip):
# 查询分值
score = self.red.zscore(REDIS_KEY, ip)
# 如果有分值，扣分
if score > 0:
self.red.zincrby(REDIS_KEY, -10, ip)
else: # 分值没有则删除
self.red.zrem(REDIS_KEY, ip)
# 查询可用ip
def get_avail_proxy(self):
lis = []
ips = self.red.zrangebyscore(REDIS_KEY, MAX_SCORE, MAX_SCORE, 0, -1)
if ips:
lis.append(ips)
return lis
else:
ips = self.red.zrangebyscore(REDIS_KEY, DEFAULT_SCORE + 1, MAX_SCORE - 1, 0, -1)
if ips:
lis.append(ips)
return lis
else:
print("没有可用ip")
return None
2️⃣采集IP
这里我爬取了三个网站，当然感觉不够用的自己还可以加
快代理： https://www.kuaidaili.com/free/intr/1/
高可用全球免费代理IP库： https://ip.jiangxianli.com/?page=1
66免费代理网： http://www.66ip.cn/areaindex_1/1.html
爬取这些网站很简单，基本都没有什么反爬，页面也都差不多，直接用xpath解析就可以得到想要的IP
# 代理IP的采集
from proxy_redis import ProxyRedis
import requests
from lxml import etree
import time
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.127 Safari/537.36"
}
# 采集快代理
def get_kuai_ip(red):
url = "https://www.kuaidaili.com/free/intr/1/"
resp = requests.get(url, headers=headers)
tree = etree.HTML(resp.text)
trs = tree.xpath("//table/tbody/tr")
for tr in trs:
ip = tr.xpath("./td[1]/text()") # ip地址
port = tr.xpath("./td[2]/text()") # 端口
if not ip:
continue
ip = ip[0]
port = port[0]
proxy_ip = ip + ":" + port
red.add_proxy_ip(proxy_ip) # 增加ip地址
# 采集66免费代理网
def get_66_ip(red):
url = "http://www.66ip.cn/areaindex_1/1.html"
resp = requests.get(url, headers=headers)
tree = etree.HTML(resp.text)
trs = tree.xpath("//table//tr")[1:]
for tr in trs:
ip = tr.xpath("./td[1]/text()") # ip地址
port = tr.xpath("./td[2]/text()") # 端口
if not ip:
continue
ip = ip[0]
port = port[0]
proxy_ip = ip + ":" + port
red.add_proxy_ip(proxy_ip) # 增加ip地址
# 采集高可用全球免费代理IP库
def get_quan_ip(red):
url = "https://ip.jiangxianli.com/?page=1"
resp = requests.get(url, headers=headers)
tree = etree.HTML(resp.text)
trs = tree.xpath("//table//tr")
for tr in trs:
ip = tr.xpath("./td[1]/text()") # ip地址
port = tr.xpath("./td[2]/text()") # 端口
if not ip:
continue
ip = ip[0]
port = port[0]
proxy_ip = ip + ":" + port
red.add_proxy_ip(proxy_ip) # 增加ip地址
def run():
red = ProxyRedis() # 创建redis存储
while True:
try:
get_kuai_ip(red) # 采集快代理
get_66_ip(red) # 采集66免费代理
get_quan_ip(red) # 采集全球免费ip代理库
except:
print("出错了")
time.sleep(60) # 每分钟跑一次
if __name__ == '__main__':
run()
3️⃣校验IP可用性
- 查询所有的IP
- 每一个IP都发送一个请求，可用分值拉满，不用可扣分
这里如果我们采集的IP比较多的话，用单线程就比较慢了，所以为了提高效率，这里我采用协程
# 代理IP的验证
from proxy_redis import ProxyRedis
from settings import *
import asyncio
import aiohttp
import time
async def verify_one(ip, sem, red):
print(f"开始检测{ip}")
timeout = aiohttp.ClientTimeout(total=10) # 设置超时时间，超过10秒就报错
try:
async with sem:
async with aiohttp.ClientSession() as session:
async with session.get("http://www.baidu.com/", proxy="http://" + ip, timeout=timeout) as resp: # 简单发送一个请求
page_source = await resp.text()
if resp.status in [200, 302]: # 验证状态码
# 将分值拉满
red.set_max_score(ip)
print(f"检测到{ip}是可用的")
else:
red.reduce_score(ip)
print(f"检测到{ip}是不可用的， 扣10分")
except Exception as E:
print("ip检验时出错了", E)
red.reduce_score(ip)
print(f"检测到{ip}是不可用的， 扣10分")
async def main(red):
# 查询全部ip
all_proxy = red.get_all_proxy()
sem = asyncio.Semaphore(SEM_COUNT) # 控制并发量
tasks = []
for ip in all_proxy:
tasks.append(asyncio.create_task(verify_one(ip, sem, red)))
if tasks:
await asyncio.wait(tasks)
def run():
red = ProxyRedis()
time.sleep(10)
while True:
try:
asyncio.run(main(red))
time.sleep(100)
except Exception as e:
print("校验时报错了", e)
time.sleep(100)
if __name__ == '__main__':
run()
4️⃣提供api
- 给用户提供一个http接口，用户通过访问
http://xxx.xxx.xxx.xxx:xxxx/get_proxy就可获取到IP
安装提供api接口的模块
pip install sanic
pip install sanic_cors # 防止出现跨域的模块
# 代理的IP的api接口
from proxy_redis import ProxyRedis
from sanic import Sanic, json
from sanic_cors import CORS
# 1. 创建app
app = Sanic("ip")
# 2. 解决跨域
CORS(app)
red = ProxyRedis()
# 3. 准备处理http请求的函数
@app.route("/get_proxy") # 路由配置
def dispose(rep):
ip_list = red.get_avail_proxy()
return json({"ip": ip_list}) # 返回给客户端
def run():
app.run(host="127.0.0.1", port=5800)
if __name__ == '__main__':
run()
5️⃣启动采集IP、校验IP、提供api
将三个功能串在一起，每一个功能开一个进程
from ip_api import run as api_run
from ip_collection import run as col_run
from ip_verify import run as ver_run
from multiprocessing import Process
def run():
# 启动三个进程
p1 = Process(target=api_run)
p2 = Process(target=col_run)
p3 = Process(target=ver_run)
p1.start()
p2.start()
p3.start()
if __name__ == '__main__':
run()
下面代码是代理IP池的配置文件，想要修改参数的直接修改配置文件中的就行
# 配置文件
# proxy_redis
# redis主机ip地址
REDIS_HOST = "127.0.0.1"
# redis端口号
REDIS_PORT = 6379
# redis数据库编号
REDIS_DB = 2
# redis的密码
REDIS_PASSWORD = "123456"
# redis的key
REDIS_KEY = "proxy_ip"
# 默认的ip分值
DEFAULT_SCORE = 50
# 满分
MAX_SCORE = 100
# ip_verify
# 一次检测ip的数量
SEM_COUNT = 30
6️⃣到这里我们的IP代理池就已经完成了
我们可以看到程序可以正常执行
然后去看一下我们的Redis中是否有IP
我们访问 http://127.0.0.1:5800/get_proxy检测用户是否可以拿到IP
7️⃣检验IP代理池中的IP是否可用
免费IP代理池已经搭建好了，接下来就从IP代理池中取出来IP，检测IP是否可以使用
我们的IP有很多，使用这些IP最好的方法是将存放IP的列表进行循环，每拿一个IP访问一次或多次就换一个IP在访问，所以就需要写一个生成器
import requests
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.127 Safari/537.36"
}
def get_proxy():
url = "http://127.0.0.1:5800/get_proxy"
resp = requests.get(url, headers=headers)
ips = resp.json()
for ip in ips["ip"][0]:
yield ip # 生成器
def spider():
url = "http://www.baidu.com/"
while True:
try:
proxy_ip = next(gen)
proxy = {
"http:": "http:" + proxy_ip,
"https:": "http:" + proxy_ip
}
resp = requests.get(url, proxies=proxy, headers=headers)
resp.encoding = "utf-8"
return resp.text
except:
print("代理失效了")
if __name__ == '__main__':
gen = get_proxy()
page_source = spider()
print(page_source)
可以拿到页面源代码表示我们的代理IP可用
860
暂无认证
到【灌水乐园】发言
2301_76490791: 请问这段代码中，为什么不需要：server.connect(host, port) 就可以直接链接？
2301_76490791: 好教程
小文没烦恼: 各位爬虫有需要ip可以私信我哦
qq_45257506: 大佬 能出个视频吗
普通网友: 需要爬虫IP找我测试