分布式爬虫这种抓取方式能够帮助爬虫工作者提高工作效率，不仅是爬虫进度得到了提升，而且数据抓取的速度也有飞跃进步。那么使用代理IP进行分布式爬虫要怎么进行呢?以下是操作教程：

　　第一：每个进程从接口API中随机取一个IP列表(比如一次提取50个IP)来循环使用，失败则再调用API获取，大概逻辑如下：

　　每个线程，从接口随机取回一批IP回来，循环尝试IP列表去抓取数据;

　　如果访问成功，则继续抓取下一条。

　　如果失败了(比如超时、出现验证码等)，再从接口取一批IP，继续尝试。

　　方案缺点：IP代理都是有时间有效期的，如果提取了50个，你在一定期限内是有了前20个，后面的可能由于时间限制就用不了了。

　　如果你把http请求设置的链接时间超时为3秒钟，毒物时间超时间5秒，那么这3-8秒就可能被你浪费掉，有这3-8秒能做好多事了。

　　第二：每个进程从接口API中随机取一个IP来使用，失败则再调用API获取一个IP，大概逻辑如下：

　　每个线程，从接口随机取回一个IP来，用这个IP去访问资源，

　　如果访问成功，则继续抓下一条。

　　如果失败了(比如超时、出现验证码等)，再从接口随机取一个IP，继续尝试。

　　方案缺点：频繁的调用API获取IP，会对代理服务器造成非常大的压力，影响API接口稳定，可能会被限制提取。这种方案不能持久稳定的运行。

　　第三：先提取大量IP导入本地数据库，从数据库里面取IP，大概逻辑如下：

　　在数据库里面建一个表，写一个导入脚本，每分钟请求多少次API(咨询代理IP服务商建议)，把IP列表导入到数据库里面。

　　在数据库里面记录好 导入时间、IP、Port、过期时间、IP可用状态 等字段;

　　写一个抓取脚本，抓取脚本从数据库里面读取可用IP，每个进程从数据库获取一个IP进行使用。

　　执行抓取，对结果进行判断，处理cookie等，只要出现验证码或者失败就放弃这个IP，重新换一个IP。

　　除了要有优质的代理IP，选择爬虫的方式也很重要，分布式爬虫能够让我们有效完成工作，深受广大爬虫工作的喜爱。