______ ______ _
| ___ \_ | ___ \ | |
| |_/ / \__ __ __ _ __ _ | |_/ /___ ___ | |
| __/| _// _ \ \ \/ /| | | || __// _ \ / _ \ | |
| | | | | (_) | > < \ |_| || | | (_) | (_) || |___
\_| |_| \___/ /_/\_\ \__ |\_| \___/ \___/ \_____\
__ / /
/___ /
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验证入库,定时验证入库的代理保证代理的可用性,提供API和CLI两种使用方式。同时你也可以扩展代理源以增加代理池IP的质量和数量。
-
文档: document
-
测试地址: https://demo.spiderpy.cn (勿压谢谢)
-
付费代理推荐: luminati-china. 国外的亮数据BrightData(以前叫luminati)被认为是代理市场领导者,覆盖全球的7200万IP,大部分是真人住宅IP,成功率扛扛的。付费套餐多种,需要高质量代理IP的可以注册后联系中文客服。申请免费试用 现在有首充多少送多少的活动。(PS:用不明白的同学可以参考这个使用教程)。
- git clone
git clone [email protected]:jhao104/proxy_pool.git
- releases
https://github.com/jhao104/proxy_pool/releases 下载对应zip文件
pip install -r requirements.txt
# 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:https://:[email protected]: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",
# ....
]
# 如果已经具备运行条件, 可用通过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 pull jhao104/proxy_pool
docker run --env DB_CONN=redis:https://:password@ip:port/0 -p 5010:5010 jhao104/proxy_pool:latest
项目目录下运行:
docker-compose up -d
- Api
启动web服务后, 默认配置下会开启 https://127.0.0.1:5010 的api接口服务:
api | method | Description | params |
---|---|---|---|
/ | GET | api介绍 | None |
/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 | 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("https://127.0.0.1:5010/get/").json()
def delete_proxy(proxy):
requests.get("https://127.0.0.1:5010/delete/?proxy={}".format(proxy))
# your spider code
def getHtml():
# ....
retry_count = 5
proxy = get_proxy().get("proxy")
while retry_count > 0:
try:
html = requests.get('https://www.example.com', proxies={"http": "https://{}".format(proxy)})
# 使用代理访问
return html
except Exception:
retry_count -= 1
# 删除代理池中代理
delete_proxy(proxy)
return None
项目默认包含几个免费的代理获取源,但是免费的毕竟质量有限,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
# 假设你已经拿到了一个代理列表
proxies = ["x.x.x.x:3128", "x.x.x.x:80"]
for proxy in proxies:
yield proxy
# 确保每个proxy都是 host:ip正确的格式返回
- 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" # # 确保名字和你添加方法名字一致
]
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调用你定义的方法。
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):
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 |
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。
任何问题欢迎在Issues 中反馈,同时也可以到我的博客中留言。
你的反馈会让此项目变得更加完美。
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,我会尽力改进,使她更加完美。
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 | @obaiyan | @zsbh | @jiannanya | @Jerry12228