爬虫代理服务

版权声明:本文为博主原创文章,未经博主允许不得转载。

由于最近一直在做爬虫相关的事情,那肯定少不了跟代理IP打交道,这篇文章用来记录如何实现爬虫代理服务,主要以讲解思路为主。

起因

做过爬虫的人应该都知道,抓的网站和数据多了,如果爬虫抓取速度过快,免不了触发网站的防爬机制,几乎用的同一招就是封IP。解决方案有2个:

  • 同一IP,放慢速度(爬取速度慢)
  • 使用代理IP访问(推荐)

第一种方案牺牲的就是时间和速度,来换取数据,但是一般情况下我们的时间是很宝贵的,理想情况下是用最短的时间获取最多的数据。所以第二种方案是推荐的,那么从哪里能找到这么多代理IP呢?

寻找代理

程序猿不懂的时候就去寻找嘛,google、度娘,输入关键字:免费代理IP,前几页几乎都是提供代理IP的网站,一一打开后观察发现,几乎都是一个列表页,展示少则几十、多至几百个IP。

但是仔细观察你就会发现,每个网站提供的免费IP是有限的,拿来用几个就会发现,有的也已经失效了。当然,他们更倾向于你购买人家的代理,人家就靠这个赚钱嘛。

身为狡猾的程序猿,当然不能因为这点困难就跪了,仔细想一下,既然搜索引擎能搜到这么多提供代理的网站,每个网站提供几十或几百个,假如有10家网站,那加在一起也有几百到几千个IP。

那么好了,你要做的事情就是,把这些网站记录下来,用程序把IP抓过来就好了,想想是不是很简单?

测试代理

通过刚才的方式,应该可以获得几百或上千的代理IP了。

等等,这么多IP,难道别人真的就免费送给你了么?当然不是,前面也提到过,这些代理中,有很大一部分已经是失效的了。那么怎么办?如何知道哪些代理是有效,哪些是不可用的呢?

很简单,挂上这些代理,访问某一个稳定的网站,然后看是否能正常访问,可以正常访问的就是可用的,不能访问的不就是无效的嘛。

最快速的,用curl命令就可以测试某个代理是否可用:

1
2
# 使用代理 48.139.133.93:3128 访问 网易首页
curl -x "48.139.133.93:3128" "http://www.163.com"

当然,这种方式只是为了演示方便,实际最好的方式是:
用多线程方式,使用代理去访问某个网站,然后输出可用的代理。
这样做能最快速的找出可用代理。

使用代理

现在已经可以通过上面的方式,找出可用的代理了,如果应用到程序中,应该不用我多说,大部分都应该会用了。
例如,刚才把可用的代理输入到某个文件中,每一行是一个代理,那么就可以这样使用:

  • 读取代理文件
  • 随机选择代理IP,发起HTTP请求

这样,如果代理有几百个,基本上可以保持一段时间抓取某个网站的数据了,抓个几千几万条数据不成问题。

但是,如果我想持续不断的从某个网站获取数据,或者是抓取上百万甚至上亿的网页数据,那这样肯定是不行的。

持续不断供应代理

刚才的方式是,一次性抓取某几个代理网站,然后通过程序测试每个代理是否可用,得到可用的代理列表。但是这只是一次性的,而且代理量往往很少,在持续抓取中肯定无法满足需要。那么怎么能持续不断的找到可用代理呢?

  • 找到更多的代理网站(数据基础)
  • 定时监控这些代理网站,获取代理
  • 拿到代理IP后,程序自动检测,输出可用代理(文件或数据库)
  • 程序加载文件或数据库,随机选取代理IP发起HTTP请求

按照上面的方式,可以写出一个自动采集代理的程序,然后爬虫端就可以定时去文件/数据库中获取然后使用就可以了。但是有一个小问题,怎样知道每个代理的质量如何?也就是说,代理的速度怎么样?

  • 在检测代理时,记录请求响应时间
  • 响应时间从短到长,加权重值,响应短的使用率高一些
  • 限制某段时间内最大使用次数

前面几点只是基础,这3点可以进一步优化你的代理程序,输出有优先级的代理列表,爬虫端根据权重和最大使用次数使用代理。这样做的好处:保证使用高质量代理,同时防止某一代理频繁使用防止被封。

服务化

上面经过一系列的完善和优化,已经搭建好了一个可用的代理服务,只不过是基于文件系统或数据库的。

爬虫端要想使用这些代理,只能是读取文件或读取数据库,然后根据某种规则选择代理使用,这样做比较繁琐,能不能让爬虫端使用代理变得简单一些?那么就需要把代理访问做成服务化。

有个大名鼎鼎的服务器软件squid,利用它的cache_peer邻居代理机制,就可以帮这个事情做的很完美。

把代理列表的代理,按照squidcache_peer机制按照一定格式,写在配置文件中即可。

squid是个代理服务器软件,一般情况下是这样使用的,假如爬虫在机器A,squid安装在机器B,需要爬取的网站服务器是机器C,代理IP是机器D/E/F…

  • 不使用代理:爬虫机器A请求 —> 网站机器C
  • 使用代理:爬虫机器A —> 代理IP机器D/E/F/... —> 网站机器C
  • 使用squid:爬虫机器A —> squid(机器Bcache_peer机制管理调度代理D/E/F) —> 网站机器C

这样做的好处就是:爬虫端不用考虑如何加载和选择可用代理,给出一个代理列表给squid,按照配置文件的规则,它就可以帮你管理和调度选择代理。最重要的是,爬虫端使用代理只需访问squid的服务端口就可以了!

进一步整合

现在服务化也搭建完成了,唯一差得一步就是整合:

  • 定时监控代理源网站(30分/1小时都可),解析出所有代理IP,入数据库
  • 从数据库中取出所有代理,访问某个固定的网站,找出访问成功的代理,更新数据库可用标记和响应时间
  • 从数据库中加载所有可用代理,通过某种算法,根据响应时间计算使用权重和最大使用次数
  • 按照squidcache_peer格式,写入配置文件
  • 重新加载squid配置文件,刷新squid下的代理列表
  • 爬虫指定squid的服务IP和端口,进行纯粹的爬取操作

一个完整的代理服务通过这样的方法就可以搭建完成,定时输出高质量代理。爬虫端不用关心代理的采集和测试,只管使用squid的统一服务入口爬取数据即可。

以上只是提供一个代理服务完成的思路,有此需求的同学可根据此思路写出一个完整的代理采集程序。有时间会写一下具体的实现。


如果此文章能给您带来小小的工作效率提升,不妨小额赞助我一下,以鼓励我写出更好的文章!
kaito-kidd WeChat Pay

微信打赏

kaito-kidd Alipay

支付宝打赏