Skip to content

Latest commit

 

History

History
186 lines (141 loc) · 7.34 KB

README.md

File metadata and controls

186 lines (141 loc) · 7.34 KB
Raw

Hproxy - 异步IP代理池

Build Status Python license

概述

本项目利用第三方IP代理提供站定时抓取有效IP，并免费提供网页源数据抓取方案，构建异步IP代理池，让你尽可能简单地获取有效代理：

开始

本项目基于Python3.6+，利用Sanic构建异步HTTP服务，利用aiohttp进行代理数据异步抓取

单机运行

git clone https://github.com/howie6879/hproxy.git
cd hproxy
pip install pipenv

# 这里需要注意，虚拟环境请使用Python3.6+，安装依赖库
pipenv install

cd hproxy
python server.py

# 启动爬虫 运行 /hproxy/hproxy/spider/spider_console.py
# 访问：127.0.0.1/api/

hproxy默认使用Redis进行数据存储服务，所以使用的前提是安装好Redis，具体配置在config下：

# Database config
REDIS_DICT = dict(
    REDIS_ENDPOINT=os.getenv('REDIS_ENDPOINT', "localhost"),
    REDIS_PORT=os.getenv('REDIS_PORT', 6379),
    REDIS_DB=os.getenv('REDIS_DB', 0),
    REDIS_PASSWORD=os.getenv('REDIS_PASSWORD', None)
)
DB_TYPE = 'redis'

如果想使用机器本身的Memory，直接在config里将DB_TYPE = 'redis'更改为DB_TYPE = 'memory'

这里需要注意的是如果使用memory模式，那么服务停止了数据也随之丢失，推荐使用redis模式

如果想使用其他方式进行数据存储，只需根据BaseDatabase的编码规范进行扩展即可

特性

  • 多种方式进行数据存储，易扩展：

  • 自定义爬虫基础部件，上手简单，统一代码风格：

  • 提供API获取代理，启动后访问 127.0.0.1:8001/api

    • 'delete/:proxy': 删除代理
    • 'get': 随机选择一个代理
    • 'list':列出全部代理
    • ...

  • 从代理池随机选取一个代理提供html源码抓取服务

  • 定时抓取、更新、自动验证

  • 获取代理具体信息：如代理类型、协议、位置

功能描述

代理获取

本项目的爬虫代码全部集中于目录spider，在/spider/proxy_spider/目录下定义了一系列代理网站的爬虫，所有爬虫基于/spider/base/proxy_spider.py里定义的规范编写，参考这些，就可以很方便的扩展一系列代理爬虫

运行spider_console.py文件，即可启动全部爬虫进行代理的获取，无需定义新加的爬虫脚本，只需按照规范命名，即可自动获取爬虫模块然后运行

若想运行单个代理爬虫脚本，直接运行即可，比如xicidaili，直接执行：

cd hproxy/hproxy/spider/proxy_spider/
python xicidaili_spider.py

# 验证100个代理，异步执行能保证5秒左右执行完毕，因为超时代理超时就是5s
# 同步执行最坏情况就...
# 2018/04/14 13:42:32 [爬虫执行结束  ] OK 爬虫：xicidaili 执行结束，获取代理100个 - 有效代理：28个，用时：5.384464740753174

代理验证

获取的代理验证脚本在valid_proxy，目前设定每10分钟验证一次所有代理，每个代理失败五次之后就丢弃，一般在后台运行，手动执行如下：

cd hproxy/hproxy/scheduler/
python valid_proxy.py

代理接口

接口 描述
delete/:proxy 删除一个代理
get 参数valid=1，会在返回代理过程中验证一次，确保其有效，否则一直寻找，直到返回
list 列出所有代理，没有一个个验证
valid/:proxy 验证一个代理
html?url=''&ajax=0&foreign=0 随机选取代理请求url并返回 
// http://127.0.0.1:8001/api/get?valid=1
// 返回成功，开启验证参数valid=1的话speed会有值，并且默认是开启的
// types 1:高匿 2:匿名 3:透明
{
    "status": 1,
    "info": {
        "proxy": "101.37.79.125:3128",
        "types": 3
    },
    "msg": "success",
    "speed": 2.4909408092
}
// http://127.0.0.1:8001/api/list 列出所有代理，没有一个个验证
{
    "status": 1,
    "info": {
        "180.168.184.179:53128": {
            "proxy": "180.168.184.179:53128",
            "types": 3
        },
        "101.37.79.125:3128": {
            "proxy": "101.37.79.125:3128",
            "types": 3
        }
    },
    "msg": "success"
}
// http://127.0.0.1:8001/api/delete/171.39.45.6:8123
{
    "status": 1,
    "msg": "success"
}
// http://127.0.0.1:8001/api/valid/183.159.91.75:18118
{
    "status": 1,
    "msg": "success",
    "speed": 0.3361008167
}
// http://127.0.0.1:8001/api/html?url=https://www.v2ex.com
// 随机选取代理抓取v2ex
{
    "status": 1,
    "info": {
        "html": "html 源码",
        "proxy": "120.77.254.116:3128"
    },
    "msg": "success"
}

FAQ

问：为什么只抓取ip以及端口？

答：因为网站上代理的信息不一定准确，所以需要进一步验证，本项目会在返回代理的时候做进行验证，验证是否可用以及验证代理具体信息

问：如何扩展数据存储方式？

答：BaseDatabase里面定义了一些子类必须要有的方法，按照这个格式写就不会有问题

问：如何扩展代理爬虫？

答：同样，在spider目录下找到爬虫编写规范，或者直接看某一个代理爬虫脚本的编写模式

License

hproxy is offered under the MIT license.

参考

感谢以下项目：

感谢以下代理网站，有优质代理网站请提交^_^，点这里 #3