用golang 實現一個代理池

背景

寫爬蟲的時候總會遇到爬取速度過快而被封IP的情況，這個時候就需要使用代理了。在https://github.com/henson/ProxyPool
的啟發下，決定自己實現一個代理池。項目已經開源在github。

https://github.com/AceDarkknight/GoProxyCollector

2018.03.29更新

• go 版本升級為1.9.4，使用新版本的sync.Map 提高並發讀的效率

開發環境

windows 7，Go 1.8.4

數據來源

http://www.xicidaili.com
http://www.89ip.cn
http://www.kxdaili.com/
https://www.kuaidaili.com
http://www.ip3366.net/
http://www.ip181.com/
http://www.data5u.com
https://proxy.coderbusy.com

項目結構

目錄	作用
collector	收集器，抓取各個網站的代理
result	表示抓取的結果
scheduler	負責任務調度，包括啟動collector和入庫
server	啟動一個web服務，提供取結果的API
storage	存儲結果，通過接口可以使用別的數據庫
util	一些常用的工具方法
verifier	ip的驗證與入庫出庫

實現

• collector

collector 支持兩種模式，分別是使用goquery對網頁元素進行選擇和使用正則表達式匹配我們需要的信息。直接上代碼吧。

// github.com\AceDarkknight\GoProxyCollector\collector\selectorCollector.go
func (c *SelectorCollector) Collect(ch chan<- *result.Result) {
	// 退出前關閉channel。
	defer close(ch)

	response, _, errs := gorequest.New().Get(c.currentUrl).Set("User-Agent", util.RandomUA()).End()
	
	/* 省略部分代碼 */

	// 有些網站不是UTF-8編碼的，需要進行轉碼。
	var decoder mahonia.Decoder
	if c.configuration.Charset != "utf-8" {
		decoder = mahonia.NewDecoder(c.configuration.Charset)
	}

	// 使用goquery。
	doc, err := goquery.NewDocumentFromReader(response.Body)
	if err != nil {
		seelog.Errorf("parse %s error:%v", c.currentUrl, err)
		return
	}

    // 大部分代理網站的代理列表都放在一個table里，先選出table再循環里面的元素。
	selection := doc.Find(c.selectorMap["table"][0])
	selection.Each(func(i int, sel *goquery.Selection) {
		var (
			ip       string
			port     int
			speed    float64
			location string
		)

		// 我們需要的信息的名字和路徑存在collectorConfig.xml。
		nameValue := make(map[string]string)
		for key, value := range c.selectorMap {
			if key != "table" {
				var temp string
				if len(value) == 1 {
					temp = sel.Find(value[0]).Text()
				} else if len(value) == 2 {
					temp, _ = sel.Find(value[0]).Attr(value[1])
				}

				// 轉碼.
				if temp != "" {
					if decoder != nil {
						temp = decoder.ConvertString(temp)
					}

					nameValue[key] = temp
				}
			}
		}

		/* 省略部分代碼 */

		// 過濾一些不符合條件的結果
		if ip != "" && port > 0 && speed >= 0 && speed < 3 {
			r := &result.Result{
				Ip:       ip,
				Port:     port,
				Location: location,
				Speed:    speed,
				Source:   c.currentUrl}

			// 把符合條件的結果放進channel
			ch <- r
		}
	})
}

// github.com\AceDarkknight\GoProxyCollector\collector\regexCollector.go
func (c *RegexCollector) Collect(ch chan<- *result.Result) {
	response, bodyString, errs := gorequest.New().Get(c.currentUrl).Set("User-Agent", util.RandomUA()).End()
	
	/* 省略部分代碼 */

    // 用正則匹配。
	regex := regexp.MustCompile(c.selectorMap["ip"])
	ipAddresses := regex.FindAllString(bodyString, -1)
	if len(ipAddresses) <= 0 {
		seelog.Errorf("can not found correct format ip address in url:%s", c.currentUrl)
		return
	}

	for _, ipAddress := range ipAddresses {
		temp := strings.Split(ipAddress, ":")
		if len(temp) == 2 {
			port, _ := strconv.Atoi(temp[1])
			if port <= 0 {
				continue
			}

			r := &result.Result{
				Ip:     temp[0],
				Port:   port,
				Source: c.currentUrl,
			}

			ch <- r
		}
	}
}

• result

result很簡單，只是用來表示collector爬取的結果。

// github.com\AceDarkknight\GoProxyCollector\result\result.go
type Result struct {
	Ip       string  `json:"ip"`
	Port     int     `json:"port"`
	Location string  `json:"location,omitempty"`
	Source   string  `json:"source"`
	Speed    float64 `json:"speed,omitempty"`
}

• scheduler

scheduler負責完成一些初始化的工作以及調度collector任務。不同的任務在不同的goroutine中運行，goroutine之間通過channel進行通信。

// github.com\AceDarkknight\GoProxyCollector\scheduler\scheduler.go
func Run(configs *collector.Configs, storage storage.Storage) {
	/* 省略部分代碼 */

	for {
		var wg sync.WaitGroup

		for _, configuration := range configs.Configs {
			wg.Add(1)
			go func(c collector.Config) {
			    // 防止死鎖。
				defer wg.Done()

				// 處理panic。
				defer func() {
					if r := recover(); r != nil {
						seelog.Criticalf("collector %s occur panic %v", c.Name, r)
					}
				}()

				col := c.Collector()
				done := make(chan bool, 1)

				go func() {
					runCollector(col, storage)
					// 完成時發送信號。
					done <- true
				}()

				// 設置timeout防止goroutine運行時間過長。
				select {
				case <-done:
					seelog.Debugf("collector %s finish.", c.Name)
				case <-time.After(7 * time.Minute):
					seelog.Errorf("collector %s time out.", c.Name)
				}

			}(configuration)
		}

        // 等待所有collector完成。
		wg.Wait()
		seelog.Debug("finish once, sleep 10 minutes.")
		time.Sleep(time.Minute * 10)
	}
}

• server

server啟動了一個服務器，提供API

• storage

storage提供了存儲相關的interface和實現。

// github.com\AceDarkknight\GoProxyCollector\storage\storage.go
type Storage interface {
	Exist(string) bool
	Get(string) []byte
	Delete(string) bool
	AddOrUpdate(string, interface{}) error
	GetAll() map[string][]byte
	Close()
	GetRandomOne() (string, []byte)
}

目前項目的數據都是存儲在boltdb。github上面關於boltdb的簡介如下：

Bolt is a pure Go key/value store inspired by Howard Chu's LMDB project. The goal of the project is to provide a simple, fast, and reliable database for projects that don't require a full database server such as Postgres or MySQL.
Since Bolt is meant to be used as such a low-level piece of functionality, simplicity is key. The API will be small and only focus on getting values and setting values. That's it.

考慮到代理池的數據量比較小，而且當初的想法是實現一個開箱即用的代理池，選擇boltdb這樣的嵌入式數據庫顯然是比使用MySQL和MongoDB更加簡單、便捷。當然，如果以后需要使用不同的數據庫時，只需要實現storage的接口即可。使用boltdb的相關文檔和教程在我參考的是：

https://segmentfault.com/a/1190000010098668

https://godoc.org/github.com/boltdb/bolt

• util

util實現了一些通用方法，例如取一個隨機的user-agent，具體就不展開了。

• verifier

verifier負責驗證collector拿到的ip是否可用，可用的入庫，不可用的就從數據庫中刪除。

配置

collector是通過配置文件驅動的。配置文件是:

github.com\AceDarkknight\GoProxyCollector\collectorConfig.xml

舉個例子：

<config name="coderbusy">
    <urlFormat>https://proxy.coderbusy.com/classical/https-ready.aspx?page=%s</urlFormat>
    <urlParameters>1,2</urlParameters>
    <collectType>0</collectType>
    <charset>utf-8</charset>
    <valueNameRuleMap>
        <item name="table" rule=".table tr:not(:first-child)"/>
        <item name="ip" rule="td:nth-child(2)" attribute="data-ip"/>
        <item name="port" rule=".port-box"/>
        <item name="location" rule="td:nth-child(3)"/>
        <item name="speed" rule="td:nth-child(10)"/>
    </valueNameRuleMap>
</config>
<config name="89ip">
    <urlFormat>http://www.89ip.cn/tiqv.php?sxb=&amp;tqsl=20&amp;ports=&amp;ktip=&amp;xl=on&amp;submit=%CC%E1++%C8%A1</urlFormat>
    <collectType>1</collectType>
    <charset>utf-8</charset>
    <valueNameRuleMap>
        <item name="ip" rule="((?:(?:25[0-5]|2[0-4]\d|((1\d{2})|([1-9]?\d)))\.){3}(?:25[0-5]|2[0-4]\d|((1\d{2})|([1-9]?\d)))):[1-9]\d*"/>
    </valueNameRuleMap>
</config>

• name是collector的名字，主要作用是方便調試和出錯時查問題。

• urlFormat和urlParameters用來拼接出需要爬取的網址。urlParameters可以為空。例如上面第一個配置就是告訴爬蟲要爬的網站是：

  https://proxy.coderbusy.com/classical/https-ready.aspx?page=1

  https://proxy.coderbusy.com/classical/https-ready.aspx?page=2

• collectType表示是用哪個collector，0代表selectorCollector，1代表regexCollector。

• charset表示網站用的是哪種編碼。默認編碼是UTF-8，如果設置錯了可能會拿不到想要的數據。

• valueNameRuleMap表示需要的點的規則。對於使用selectorCollector的網站，大部分結果通過table表示，所以table是必須的，其他點根據不同網站配置即可。相關rule的配置可以參考goquery的文檔：

  https://github.com/PuerkitoBio/goquery

結語

關於項目的介紹到這里就差不多了，新手第一次用go寫項目如果有什么不足和錯誤希望大家多多包涵和指出。如果你有疑問和更好的建議也歡迎大家一起探討~