本项目所采集的IP资源都来自互联网，愿景是为大型爬虫项目提供一个高可用低延迟的高匿IP代理池。
- 快速抓取代理IP
- IP抓取和提取精准
- IP来源丰富
- 优良的IP校验器，并且容易根据自身需要扩展
- 支持分布式部署
- 架构设计灵活
- MIT授权协议
注意，代码请在release列表中下载，master分支的代码不保证能稳定运行
-
安装Python3和Redis。有问题可以阅读这篇文章的相关部分。
-
根据Redis的实际配置修改项目配置文件config/settings.py中的
REDIS_HOST、REDIS_PASSWORD等参数。 -
安装scrapy-splash，并修改配置文件config/settings.py中的
SPLASH_URL -
安装项目相关依赖
pip install -r requirements.txt
-
启动scrapy worker，包括代理IP采集器和校验器
python crawler_booter.py --usage crawler
python crawler_booter.py --usage validator
-
启动调度器，包括代理IP定时调度和校验
python scheduler_booter.py --usage crawler
python scheduler_booter.py --usage validator
近日不断有同学问，如何获取该项目中可用的代理IP列表。haipproxy提供代理的方式并不是通过web api来提供，而是通过具体的客户端来提供。
目前支持的是Python客户端和语言无关的squid二级代理
from client.py_cli import ProxyFetcher
args = dict(host='127.0.0.1', port=6379, password='123456', db=0)
＃ 这里`zhihu`的意思是，去和`zhihu`相关的代理ip校验队列中获取ip
＃ 这么做的原因是同一个代理IP对不同网站代理效果不同
fetcher = ProxyFetcher('zhihu', strategy='greedy', redis_args=args)
# 获取一个可用代理
print(fetcher.get_proxy())
# 获取可用代理列表
print(fetcher.get_proxies()) # or print(fetcher.pool)更具体的示例见examples/zhihu
-
安装squid，备份squid的配置文件并且启动squid，以ubuntu为例
sudo apt-get install squid
sudo sed -i 's/http_access deny all/http_access allow all/g' /etc/squid/squid.conf
sudo cp /etc/squid/squid.conf /etc/squid/squid.conf.backup
sudo service squid start
-
根据操作系统修改项目配置文件config/settings.py中的
SQUID_BIN_PATH、SQUID_CONF_PATH、SQUID_TEMPLATE_PATH等参数 -
启动
squid conf的定时更新程序sudo python squid_update.py
-
使用squid作为代理中间层请求目标网站,默认代理URL为'http://squid_host:3128',用Python请求示例如下
import requests proxies = {'https': 'http://127.0.0.1:3128'} resp = requests.get('https://httpbin.org/ip', proxies=proxies) print(resp.text)
-
安装Docker
-
安装docker-compose
pip install -U docker-compose
-
修改settings.py中的
SPLASH_URL和REDIS_HOST参数SPLASH_URL = 'http://splash:8050' REDIS_HOST = 'redis'
-
使用docker-compose启动各个应用组件
docker-compose up
这种方式会一同部署squid，您可以通过squid调用代理IP池，也可以使用客户端调用，和单机部署调用方式一样
- 本项目高度依赖Redis，除了消息通信和数据存储之外，IP校验和任务定时工具也使用了Redis中的多种数据结构。 如果需要替换Redis，请自行度量
- 由于GFW的原因，某些网站需要通过科学上网才能进行访问和采集，如果用户无法访问墙外的网站，请将rules.py
task_queue为SPIDER_GFW_TASK和SPIDER_AJAX_GFW_TASK的任务enable属性设置为0或者启动爬虫的时候指定爬虫类型为common和ajaxpython crawler_booter.py --usage crawler common ajax
- 相同代理IP，对于不同网站的代理效果可能大不相同。如果通用代理无法满足您的需求，您可以为特定网站编写代理IP校验器
为了方便用户针对自身需求进行定制化，haipproxy提供了丰富的文档支持。所有文档详见项目wiki
以单机模式部署haipproxy和测试代码，以知乎为目标请求站点，
每一万条成功请求为统计结果，实测抓取效果如下
| 请求量 | 时间 | 耗时 | IP负载策略 | 客户端 |
|---|---|---|---|---|
| 0 | 2018/03/03 22:03 | 0 | greedy | py_cli |
| 10000 | 2018/03/03 11:03 | 1 hour | greedy | py_cli |
| 20000 | 2018/03/04 00:08 | 2 hours | greedy | py_cli |
| 30000 | 2018/03/04 01:02 | 3 hours | greedy | py_cli |
| 40000 | 2018/03/04 02:15 | 4 hours | greedy | py_cli |
| 50000 | 2018/03/04 03:03 | 5 hours | greedy | py_cli |
| 60000 | 2018/03/04 05:18 | 7 hours | greedy | py_cli |
| 70000 | 2018/03/04 07:11 | 9 hours | greedy | py_cli |
| 80000 | 2018/03/04 08:43 | 11 hours | greedy | py_cli |
可见haipporxy的代理效果还算不错，在开始的时候可以达到1w/hour的请求量，几个小时候请求量请求量
降为了5k/hour。降低的结果可能有三个: (1)随着数据量的增大,Redis的性能受到了一定的影响(2)知乎校验
器在把Init Queue中的代理消费完之后，由于是定时任务，所以导致某段时间内新鲜的IP空缺。而免费IP大多
数都是短效的，所以这段时间出现了IP的空缺;(3)由于我们采用的是greedy模式调用IP，它的调用策略是: 高
质量代理IP会一直被调用直至该代理IP不能用或者被封，而低应速度IP会轮询调用。这也可能导致高质量IP的空缺。
由此可见IP校验和调用策略还有很大的优化空间。希望能有志同道合的朋友加入进来一起优化。
测试代码见examples/zhihu
- 欢迎给项目提新feature
- 如果发现项目某些环节有问题，欢迎提issue或者PR
- 代理IP校验和筛选的策略仍有优化的空间，欢迎大家交流探讨
- 如果你发现了比较好的代理网站，欢迎分享
本项目参考了Github上开源的各个爬虫代理的实现，感谢他们的付出，下面是笔者参考的所有项目，排名不分先后。