爬虫IP代理池

______ ______ _
| ___ \_ | ___ \ | |
| |_/ / \__ __ __ _ __ _ | |_/ /___ ___ | |
| __/| _// _ \ \ \/ /| | | || __// _ \ / _ \ | |
| | | | | (_) | > < \ |_| || | | (_) | (_) || |___
\_| |_| \___/ /_/\_\ \__ |\_| \___/ \___/ \_____\
 __ / /
 /___ /

介绍文档

下载安装

git clone git@github.com:jhao104/proxy_pool.git
或者直接到https://github.com/jhao104/proxy_pool 下载zip文件

pip install -r requirements.txt

# Config.ini 为项目配置文件
# 配置DB
type = SSDB # 如果使用SSDB或redis数据库,均配置为SSDB
host = localhost # db host
port = 8888 # db port
name = proxy # 默认配置
# 配置 ProxyGetter
freeProxyFirst = 1 # 这里是启动的抓取函数,可在ProxyGetter/getFreeProxy.py 扩展
freeProxySecond = 1
....
# 配置 HOST (api服务)
ip = 127.0.0.1 # 监听ip,0.0.0.0开启外网访问
port = 5010 # 监听端口
# 上面配置启动后,代理api地址为 http://127.0.0.1:5010

# 如果你的依赖已经安全完成并且具备运行条件,可以直接在Run下运行main.py
# 到Run目录下:
>>>python main.py
# 如果运行成功你应该看到有4个main.py进程
# 你也可以分别运行他们,
# 依次到Api下启动ProxyApi.py,Schedule下启动ProxyRefreshSchedule.py和ProxyValidSchedule.py即可.

使用

import requests
def get_proxy():
 return requests.get("http://127.0.0.1:5010/get/").content
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()
 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

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

[ProxyGetter]
;register the proxy getter function
freeProxyFirst = 0 # 如果要取消某个方法,将其删除或赋为0即可
....
freeProxyCustom = 1 # 确保名字和你添加方法名字一致

问题反馈

贡献代码