这篇文章的目的是阐述haipproxy的主要架构和流程。该项目关键部分是
- 基于Scrapy和Redis的分布式爬虫，用作IP抓取和校验，对应于项目的crawler
- 基于Redis实现的分布式任务调度工具，对应于项目的scheduler和redis_util.py
Crawler分为代理抓取和校验，两者实现思想类似，主要使用Scrapy的spider_idle信号和DontCloseSpider异常来阻止Scrapy在没有数据的时候关闭，灵感来自scrapy-redis。为了方便阐述，我画了一张包含各个组件的流程图，如下
- 启动调度器，包括代理爬虫调度器和校验爬虫调度器。调度器会读取rules.py中待抓取的网站，将其编排成任务存入各个任务队列中
- 启动各个爬虫，包括IP抓取和校验程序。项目中爬虫和调度器都是高可用的，可以根据实际情况进行分布式部署，无需改动代码。由于本文的目标不是写成该项目的详细使用文档，所以省略了如指定启动爬虫类型和调度器类型的介绍
- 代理IP采集爬虫启动后会到对应的任务队列中获取任务并执行，再把获取到的结果存入一个
init队列中 init队列由一个特殊的校验器HttpbinInitValidator进行消费，它会过滤掉透明代理，再把可用代理输入各个Validated队列中- 调度器会定时从
Validated队列中获取代理IP，再将其存入一个临时的队列。这里用一个临时队列是为了让校验更加公平，如果直接从Validated队列中获取资源进行校验，那么会增大不公平性 - 这时候各个校验器(非
init校验器)会从对应的临时队列中获取待校验的IP并对其进行校验，此处省略校验细节 - 校验完成后再将其放回到
Validated队列中，等待下一轮校验 - 请求成功率(体现为分数)、响应速度和最近校验时间满足settings.py所配置要求的代理IP将会被爬虫客户端所消费
- 为了屏蔽各个调用语言的差异性，目前实现的客户端是
squid客户端，它可以作为爬虫客户端的中间件
到此，整个流程便完了。