ProxyPool 爬虫代理IP池

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

ProxyPool

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并验证入库，定期验证入库的代理以保证代理的可用性，提供API和CLI两种使用方式。同时你也可以扩展代理源以提高代理池IP的质量和数量。

文档: document
支持版本:
测试地址: http://demo.spiderpy.cn (请勿压测，谢谢)
付费代理推荐: luminati-china. 国外的亮数据BrightData（原名luminati）被认为是代理市场的领导者，覆盖全球7200万IP，大部分是真实住宅IP，成功率很高。提供多种付费套餐，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美元余额和使用教程指引（注：不熟悉的同学可以参考这个使用教程）。

运行项目

下载代码:

git克隆

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

发布版本

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

安装依赖:

pip install -r requirements.txt

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://:pwd@127.0.0.1:8888/0'


# 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",
    # ....
]

启动项目:

# 如果已经具备运行条件，可以通过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webApi服务
python proxyPool.py server

Docker镜像

docker pull jhao104/proxy_pool

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

docker-compose

在项目目录下运行：

docker-compose up -d

使用方法

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	方法	描述	参数
/	GET	api介绍	无
/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	无
/delete	GET	删除代理	`?proxy=host:ip`

在爬虫中使用

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，例如：

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))

# 你的爬虫代码

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
    # 从代理池中删除该代理
    delete_proxy(proxy)
    return None

扩展代理

项目默认包含几个免费的代理获取源，但是免费的代理质量有限，所以如果直接运行可能获取到的代理质量不理想。因此，提供了代理获取的扩展方法。

添加新的代理源方法如下:

1、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，例如:


class ProxyFetcher(object):
    # ....

    # 自定义代理源获取方法
    @staticmethod
    def freeProxyCustom1():  # 命名不要和已有的重复即可

        # 通过某网站或者某接口或某数据库获取代理
        # 假设你已经获得了一个代理列表
        proxies = ["x.x.x.x:3128", "x.x.x.x:80"]
        for proxy in proxies:
            yield proxy
        # 确保每个proxy都以 host:ip 的正确格式返回

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

在PROXY_FETCHER下添加自定义方法的名字:

PROXY_FETCHER = [
    "freeProxy01",    
    "freeProxy02",
    # ....
    "freeProxyCustom1"  # 确保名字和你添加的方法名一致
]

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并调用你定义的方法。

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，以下仅是对其发布的免费代理情况的评价，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`