如何构建爬虫代理服务?

简介:

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:

1、同一IP,放慢速度(爬取速度慢)
2、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?

640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy
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:

# 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:

1、读取代理文件
2、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?

1、找到更多的代理网站(数据基础)
2、定时监控这些代理网站,获取代理
3、拿到代理IP后,程序自动检测,输出可用代理(文件或数据库)
4、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?

1、在检测代理时,记录请求响应时间
2、响应时间从短到长,加权重值,响应短的使用率高一些
3、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。

640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=
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squid的cache_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…

1、不使用代理:爬虫机器A请求 —> 网站机器C
2、使用代理:爬虫机器A —> 代理IP机器D/E/F/... —> 网站机器C
3、使用squid:爬虫机器A—>squid(机器B,cache_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:

1、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
2、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
3、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
4、按照squid的cache_peer格式,写入配置文件
5、重新加载squid配置文件,刷新squid下的代理列表
6、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。


原文发布时间为:2016-11-16

本文作者:Kaito

本文来自云栖社区合作伙伴“Python中文社区”,了解相关信息可以关注“Python中文社区”微信公众号

相关文章
|
5月前
|
数据采集 存储 数据库
异步爬虫实战:实际应用asyncio和aiohttp库构建异步爬虫
异步爬虫实战:实际应用asyncio和aiohttp库构建异步爬虫
|
12天前
|
数据采集 存储 分布式计算
使用Hadoop和Nutch构建音频爬虫:实现数据收集与分析
使用Hadoop和Nutch构建音频爬虫:实现数据收集与分析
|
3月前
|
数据采集 JavaScript 前端开发
加速数据采集:用OkHttp和Kotlin构建Amazon图片爬虫
曾想过轻松获取亚马逊上的商品图片用于项目或研究吗?是否曾面对网络速度慢或被网站反爬虫机制拦截而无法完成数据采集任务?如果是,那么本文将为您介绍如何用OkHttp和Kotlin构建一个高效的Amazon图片爬虫解决方案。
加速数据采集:用OkHttp和Kotlin构建Amazon图片爬虫
|
7月前
|
数据采集 XML 存储
构建一个简单的电影信息爬虫项目:使用Scrapy从豆瓣电影网站爬取数据
这个案例展示了如何使用 Scrapy 框架构建一个简单的爬虫项目,从网页中提取数据并保存到文件中。通过配置、编写爬虫代码、定义数据模型和数据处理管道,你可以灵活地构建各种爬虫应用。
165 0
构建一个简单的电影信息爬虫项目:使用Scrapy从豆瓣电影网站爬取数据
|
8月前
|
数据采集 存储 分布式计算
构建可扩展的分布式爬虫系统
构建可扩展的分布式爬虫系统
|
数据采集 Java Maven
Java爬虫:使用WebMagic构建最简单的爬虫项目
Java爬虫:使用WebMagic构建最简单的爬虫项目
215 0
|
存储 数据库 数据采集
从零开始构建自己的爬虫代理IP数据库并定期检验IP有效性
从零开始构建自己的代理IP池; 根据代理IP网址抓取新的代理IP; 对历史代理IP有效性验证; python实现
1760 0
|
数据采集 Python
Python爬虫(三)——开封市58同城出租房决策树构建
决策树框架: 1 # coding=utf-8 2 import matplotlib.pyplot as plt 3 4 decisionNode = dict(boxstyle='sawtooth', fc='10') 5 leafNode = dict(boxstyle='round4', fc='0.
1391 0
|
数据采集 Python
Python爬虫(二)——豆瓣图书决策树构建
  前文参考:  https://www.cnblogs.com/LexMoon/p/douban1.html Matplotlib绘制决策树代码: 1 # coding=utf-8 2 import matplotlib.
1440 0
|
Web App开发 数据采集 数据格式
《Learning Scrapy》(中文版)第5章 快速构建爬虫
序言第1章 Scrapy介绍第2章 理解HTML和XPath第3章 爬虫基础 第4章 从Scrapy到移动应用 第5章 快速构建爬虫第6章 Scrapinghub部署第7章 配置和管理第8章 Scrapy编程第9章 使用Pipeline第10章 理解Scrapy的性能第11章(完) Scrapyd分布式抓取和实时分析 第3章中,我们学习了如何从网页提取信息并存储到Items中。
1303 0