您的位置:首页 > 新闻资讯 >文章内容
分布式代理IP池的构建
来源:互联网 作者:admin 时间:2019-06-11 14:37:55

  分布式代理IP池的构建,很多人都尝试自己去构建的这个代理IP池的,只是由于获取的都是免费的代理IP,其代理IP池的效果不明显。今天我们就一起去看看这个分布式代理IP池的构建吧。


  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


分布式代理IP池的构建


  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,分布式代理IP池的构建整个流程便完了。


  如果平时的部分工作需要和爬虫打交道,代理IP在有的时候可以发挥非常重要的作用,调研过一些开源的代理IP采集程序,发现在抓取、解析、校验、资源调度等这些方面总有一些不尽人意的地方。可以使用代理IP商的IP池,比如机灵代理的。


相关文章内容简介
推荐阅读
  • 07 2019-09
    使用代理IP与User Agent实现隐藏

    要想爬虫工作顺利开展,我们需要使用大量的IP,并且要对IP地址进行一定的隐藏,这样才能够减少网站封杀我们IP的几率。所以我们需要利用User Agent和代理IP来进行身份隐藏。

  • 23 2019-12
    代理ip​让上网更安全!

    代理ip​让上网更安全!上网已经成为了我们日常生活当中的一部分,许多人甚至是以网络作为工作和生活的主要手段,对于网络安全的需要也在不断的提高,为此,小编建议广大网民朋友使用代

  • 08 2019-08
    高质量代理ip有助于爬虫破限制持续工作

    高质量代理ip有助于爬虫破限制持续工作,因此无论爬虫程序有多么的优秀,也是离不开高质量代理ip的帮助,否则马上就会出现IP被封的情况,没有代理ip的更换,没法动。

  • 06 2019-12
    手动换IP与使用代理IP的操作

    在我们上网的时候,每次都会由宽带或者是ADSL来随机临时分配一个IP地址,途径是来源于你的上网方式。如果我们想要换IP,我们可以自己手动来进行更换,也可以通过代理IP来换IP。

  • 11 2019-11
    使用代理IP上网与普通上网的不同

    网络现在已经非常普遍了,上网已经是大家日常生活中见怪不怪的一件平常事了。不过你知道我们与网络的沟通是如何实现的吗?如果是用了代理IP,与网络沟通的传输方式是否会有不同呢?

  • 23 2019-04
    IP代理的动态转发速度比较慢,有没有办法解决?

    IP代理的动态转发速度比较慢,有没有办法解决?一些经常使用动态转发的用户可能也有发现的,虽然动态转发优点不少,但缺点也有的。

在线咨询
大客户经理
大客户经理
1829380381
13316264505

大客户经理微信

微信公众号

微信公众号

回到顶部