python爬虫技术 使用redis搭建ip池代理

 

前言

爬虫爬取网页数据时由于频繁访问会被锁定IP，返回错误响应码以及验证字母验证，可以动态使用ip代理解决。

代理服务可以自己搭建，也可以购买收费的强力代理服务更靠谱。

这里是爬取的ip池示例：

项目来源GITHUB项目：jhao104/proxy_pool

下面示例win10下搭建项目

下载

安装redis：

windows下载地址：https://github.com/MicrosoftArchive/redis/releases
#下载zip解压即可
启动redis：运行redis-server.exe

Linux安装：sudo apt-get install redis-server
启动redis：运行redis-server

启动成功：

 

安装项目：

#下载源码
git clone [email protected]:jhao104/proxy_pool.git

或者直接到

https://github.com/jhao104/proxy_pool 

下载zip文件，解压出来

 安装依赖：

#进入项目目录执行pip命令 也可以手动安装
pip install -r requirements.txt

 配置项目：

# Config/setting.py 为项目配置文件

# 配置DB     
DATABASES = {
    "default": {
        "TYPE": "SSDB",        # 如果使用SSDB或redis数据库，均配置为SSDB
        "HOST": "127.0.0.1",   # db host
        "PORT": 6379,          # db port redis默认6379
        "NAME": "proxy",       # 默认配置
        "PASSWORD": ""         # db password

    }
}


# 配置 ProxyGetter

PROXY_GETTER = [
    "freeProxyFirst",      # 这里是启用的代理抓取函数名，可在ProxyGetter/getFreeProxy.py 扩展
    "freeProxySecond",
    ....
]


# 配置 API服务

SERVER_API = {
    "HOST": "0.0.0.0",  # 监听ip, 0.0.0.0 监听所有IP
    "PORT": 5010        # 监听端口
}
       
# 上面配置启动后，代理池访问地址为 http://127.0.0.1:5010

启动项目：

# 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.

启动查看抓取的ip：http://127.0.0.1:5010/get_all/ 

项目有提供api使用：

爬虫动态代理：

def get_proxy():
    #可以换成我的Api
    return requests.get("http://127.0.0.1:5010/get/").text

def getURL(self, url, redirects=False, tries_num=6, sleep_time=0.5, time_out=1000, max_retry=6, ):
        #从ip池动态获取一个ip
        proxy = get_proxy()
        try:
            res = requests.Session()
           # res = requests.get(url,headers=self.randHeader(), allow_redirects=redirects, timeout=time_out)
            res = requests.get(url,headers=self.randHeader(), allow_redirects=redirects, timeout=time_out, proxies={"http": "http://{}".format(proxy), "https": "https://{}".format(proxy)})
            res.raise_for_status()  # 如果响应状态码不是 200，就主动抛出异常

        except requests.RequestException as e:
            sleep_time_p = sleep_time_p + 10
            time_out_p = time_out_p + 10
            tries_num_p = tries_num_p - 1
            # 设置重试次数，最大timeout 时间和 最长休眠时间
            if tries_num_p > 0:
                time.sleep(sleep_time_p)
                print (self.getCurrentTime(), url, 'URL Connection Error: 第', max_retry - tries_num_p, u'次 Retry Connection', e)
                return self.getURL(url, 'False', tries_num_p, sleep_time_p, time_out_p, max_retry)
        return res