本项目所采集的IP资源都来自互联网，愿景是为大型爬虫项目提供一个高可用低延迟的高匿IP代理池。
- 代理来源丰富
- 代理抓取提取精准
- 代理校验严格合理
- 监控完备，鲁棒性强
- 架构灵活，便于扩展
- 各个组件分布式部署
注意，代码请在release列表中下载，master分支的代码不保证能稳定运行
-
安装Python3和Redis。有问题可以阅读这篇文章的相关部分。
-
根据Redis的实际配置修改项目配置文件config/settings.py中的
REDIS_HOST、REDIS_PASSWORD等参数。 -
安装scrapy-splash，并修改配置文件config/settings.py中的
SPLASH_URL -
安装项目相关依赖
pip install -r requirements.txt
-
启动scrapy worker，包括代理IP采集器和校验器
python crawler_booter.py --usage crawler
python crawler_booter.py --usage validator
-
启动调度器，包括代理IP定时调度和校验
python scheduler_booter.py --usage crawler
python scheduler_booter.py --usage validator
近日不断有同学问，如何获取该项目中可用的代理IP列表。haipproxy提供代理的方式并不是通过api api来提供，而是通过具体的客户端来提供。
目前支持的是Python客户端和语言无关的squid二级代理
from client.py_cli import ProxyFetcher
args = dict(host='127.0.0.1', port=6379, password='123456', db=0)
＃ 这里`zhihu`的意思是，去和`zhihu`相关的代理ip校验队列中获取ip
＃ 这么做的原因是同一个代理IP对不同网站代理效果不同
fetcher = ProxyFetcher('zhihu', strategy='greedy', redis_args=args)
# 获取一个可用代理
print(fetcher.get_proxy())
# 获取可用代理列表
print(fetcher.get_proxies()) # or print(fetcher.pool)更具体的示例见examples/zhihu
-
安装squid，备份squid的配置文件并且启动squid，以ubuntu为例
sudo apt-get install squid
sudo sed -i 's/http_access deny all/http_access allow all/g' /etc/squid/squid.conf
sudo cp /etc/squid/squid.conf /etc/squid/squid.conf.backup
sudo service squid start
-
根据操作系统修改项目配置文件config/settings.py中的
SQUID_BIN_PATH、SQUID_CONF_PATH、SQUID_TEMPLATE_PATH等参数 -
启动
squid conf的定时更新程序sudo python squid_update.py
-
使用squid作为代理中间层请求目标网站,默认代理URL为'https://squid_host:3128',用Python请求示例如下
import requests proxies = {'https': 'https://127.0.0.1:3128'} resp = requests.get('https://httpbin.org/ip', proxies=proxies) print(resp.text)
-
安装Docker
-
安装docker-compose
pip install -U docker-compose
-
修改settings.py中的
SPLASH_URL和REDIS_HOST参数# 注意，如果您使用master分支下的代码，这步可被省略 SPLASH_URL = 'https://splash:8050' REDIS_HOST = 'redis'
-
使用docker-compose启动各个应用组件
docker-compose up
这种方式会一同部署squid，您可以通过squid调用代理IP池，也可以使用客户端调用，和单机部署调用方式一样
- 本项目高度依赖Redis，除了消息通信和数据存储之外，IP校验和任务定时工具也使用了Redis中的多种数据结构。 如果需要替换Redis，请自行度量
- 由于GFW的原因，某些网站需要通过科学上网才能进行访问和采集，如果用户无法访问墙外的网站，请将rules.py
task_queue为SPIDER_GFW_TASK和SPIDER_AJAX_GFW_TASK的任务enable属性设置为0或者启动爬虫的时候指定爬虫类型为common和ajaxpython crawler_booter.py --usage crawler common ajax
- 相同代理IP，对于不同网站的代理效果可能大不相同。如果通用代理无法满足您的需求，您可以为特定网站编写代理IP校验器
以单机模式部署haipproxy和测试代码，以知乎为目标请求站点，实测抓取效果如下
测试代码见examples/zhihu
项目监控主要通过sentry和prometheus,通过在关键地方 进行业务埋点对项目各个维度进行监测，以提高项目的鲁棒性
项目使用Sentry作Bug Trace工具，通过Sentry可以很容易跟踪项目健康情况
使用Prometheus+Grafana做业务监控，了解项目当前状态
开源不易，如果本项目对您有用，不妨进行小额捐赠，以支持项目的持续维护
本项目参考了Github上开源的各个爬虫代理的实现，感谢他们的付出，下面是笔者参考的所有项目，排名不分先后。