程序员解决爬虫IP被封的神器

代理池是爬虫、采集、爆破、刷单等必不可少的配备。读了一个github的py代理池的源码，简单易用免维护，也无需过多配置，该程序从网站爬取代理列表，存入SQLite数据库。定时执行爬取->存入->检查->爬取的循环以保证采集到代理IP的可用性。
开两个线程，一个用做服务器对外提供代理IP，另一个用于维护代理池里IP的可用性。
线程1

def _api(self):
ProxyServer(API_CONFIG['PORT'])
class ProxyServer:
def __init__(self, port):
self.port = int(port) self.run() .... def run(self):
http_server = HTTPServer(('localhost', self.port), self.ProxyPoolHandler)
logger.info('listened on localhost:%s' % API_CONFIG['PORT'])
http_server.serve_forever()

二、本地搭建HTTP服务，使用URL参数作为筛选条件从数据库中筛出符合条件的代理并以json格式返回。

def get_proxy(self, params):
where_dict = {'port': 'port', 'type': 'type', 'protocol': 'protocol', 'area': 'area'}
conds = { 'field': ['ip', 'port'],
'order': ['updatetime desc', 'lastusedtime', 'score desc', 'speed'],
'limit': 1,
'where': [],
} if params:
for (k, v) in params.items():
try:
if k == 'num':
conds['limit'] = v[0]
elif k == 'area':
conds['where'].append((where_dict[k], 'like', '%%%s%%' % v[0]))
else:
conds['where'].append((where_dict[k], '=', v[0]))
except: continue
data = self.sqlite.select(self.table_name, conds)
tmp = [{'ip': n[0], 'port': n[1], 'lastusedtime': datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')} for
n in data]
self.sqlite.update(self.table_name, tmp) data = ['%s:%s' % n for n in data]
return json.dumps(data)

因为每个加入代理池的ip都设置了过期时间，所以检查代理ip是否有效这个操作，也并非真的去检验ip本身，而是检查它的过期时间。
线程2

def _monitor(self):
while True:
self._update(PROXYPOOL_CONFIG['UPDATE_TIME'])
self._delete(PROXYPOOL_CONFIG['DELETE_TIME'])
self._crawl(PROXYPOOL_CONFIG['CRAWL_TIME'])
time.sleep(1800)
我们需要清除掉过期时间<当前时间的ip。
# -*- coding: utf-8 -*-
# @File : delele_ip.py# @Author: AaronJny# @Date : 18-12-14 上午11:15
# @Desc : 过期ip清理器import utilsimport settingsimport timeclass ExpireIpCleaner:def __init__(self):
self.logger = utils.get_logger(getattr(self.__class__, '__name__'))
self.server = utils.get_redis_client()
def clean(self):
"""
清理代理池中的过期ip
:return:
"""
self.logger.info('开始清理过期ip')
# 计算清理前代理池的大小 total_before = int(self.server.zcard(settings.IP_POOL_KEY))
# 清理 self.server.zremrangebyscore(settings.IP_POOL_KEY, 0, int(time.time()))
# 计算清理后代理池的大小 total_after = int(self.server.zcard(settings.IP_POOL_KEY))
self.logger.info('完毕！清理前可用ip {}，清理后可用ip {}'.format(total_before, total_after))
def main(self):
"""
周期性的清理过期ip
:return:
"""
while True:
self.clean()
self.logger.info('*' * 40)
time.sleep(settings.CLEAN_INTERVAL)if __name__ == '__main__':
ExpireIpCleaner().main()