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/releases 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", # 目前支持SSDB或REDIS数据库 "HOST": "127.0.0.1", # db host "PORT": 8888, # db port，例如SSDB通常使用8888，REDIS通常默认使用6379 "NAME": "proxy", # 默认配置 "PASSWORD": "" # db password } } # 配置 ProxyGetter PROXY_GETTER = [ "freeProxy01", # 这里是启用的代理抓取函数名，可在ProxyGetter/getFreeProxy.py 扩展 "freeProxy02", .... ] # 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装完成并且具备运行条件,可以在cli目录下通过ProxyPool.py启。动 # 程序分为: schedule 调度程序 和 webserver Api服务 # 首先启动调度程序 >>>python proxyPool.py schedule # 然后启动webApi服务 >>>python proxyPool.py webserver
Docker
docker pull jhao104/proxy_pool
docker run --env db_type=REDIS --env db_host=127.0.0.1 --env db_port=6379 --env db_password=pwd_str -p 5010:5010 jhao104/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/").json() 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().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 = [
"freeProxy01", "freeProxy02", .... "freeProxyCustom" # # 确保名字和你添加方法名字一致 ]
ProxySchedule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 |