Python实战 - 爬虫代理IP池的实现

爬虫为什么要使用代理来访问

大家写爬虫程序的时候，当抓取频率较快或者抓取一些robots.txt禁爬路径，肯定会碰到被网站屏蔽的情况，这时候目标服务器要么直接返回404，要么就是返回禁止的提示信息，总之就是爬虫失效了（抓不到你想要的内容）。

如果遇到这种情况，对应小型爬虫来说，最简单经济有效的方式，就是通过代理来反问。

基本概念

代理IP池其实就是一堆可以用来做代理访问的Pool，作为Service Provider它对外提供可用的代理ip及端口。

代理IP从隐藏级别上分三类：

透明代理，服务器知道你用了代理，但同时也知道你的真实IP，说白了是不以隐藏自己IP为目的使用的，比如翻墙什么的
普通代理，服务器也知道你用了代理，但不知道你的真实IP
高匿代理，服务器不知道你用了代理，更不知道你的真实IP

其中高匿代理指代理服务器不向目标服务器传递X_FORWARDED_FOR变量

Python的实现方式

设计思路和原理

爬虫代理系统架构图

基本思路就是从目前提供代理服务的网站获取可使用的IP、端口、代理类型信息，并检测可用性，然后对外提供服务。

功能模块
- ProxyWebsite - 目标抓取的代理服务网站
- Crawler - 抓取模块，通过HTTP来抓取定向代理服务网站内容
- Extrator - 抽取模块，将HTML页面内容，抽取成结构化数据
- Data - 数据模块，为结构化数据存储服务
- Validator - 检验模块，检查代理的可用性
- Service - 对外提供REST API服务

核心代码实现示例

ProxyWebsite

class ProxyWebsite(object):
    def __init__(self, url, pattern, ip_pos, port_pos):
        self.url = url
        self.pattern = pattern
        self.ip_pos = ip_pos
        self.port_pos = port_pos

Crawler

class Crawler(object):
    @staticmethod
    def get_html(proxy_website):
        try:
            rsp = requests.get(proxy_website.url)
            return (0, rsp.text)
        except Exception as e:
            return (-1, e)

Extrator

class Extractor(object):
    @staticmethod
    def get_data(proxy_website, html):
        try:
            pattern = re.compile(proxy_website.pattern, re.M|re.S )
            return  map(lambda x:(x[proxy_website.ip_pos], x[proxy_website.port_pos]), pattern.findall(html))
        except Exception as e:
            return (-1, e)

Data

class Data(object):
    def __init__(self, ip, port, http_enable, https_enable):
        self.ip = ip
        self.port = port
        self.http_enable = http_enable
        self.https_enable = https_enable

Validator

class Validator(object):
    @staticmethod
    def get_baidu(ip, port):
        try:
            proxies = {'http': 'http://%s:%s' %(ip, port), 'https': 'http://%s:%s' %(ip, port)}
            http_valid_result  = False
            rsp = requests.get('http://www.baidu.com', proxies = proxies, verify=False, timeout=(10, 60))
            if rsp.status_code == 200:
                http_valid_result  = True
            rsp = requests.get('https://www.baidu.com', proxies = proxies, verify=False, timeout=(10, 60))
            if rsp.status_code == 200:
                https_valid_result  = True
            return (0, (http_valid_result, https_valid_result))
        except Exception as e:
            return (-1, e)