最新实用Python异步爬虫代理池（开源）

--  Illustrations by Tom Haugomat --

陈键冬

Python中文社区专栏作者，pyecharts开源项目核心开发者。

GitHub:chenjiandongx

项目地址

1. https://github.com/chenjiandongx/async-proxy-pool

Async Proxy Pool

异步爬虫代理池，以 Python asyncio 为基础，旨在充分利用 Python 的异步性能。

运行环境

项目使用了 sanic，一个异步网络框架。所以建议运行 Python 环境为 Python3.5+，并且 sanic 不支持 Windows 系统，Windows 用户（比如我 smile）可以考虑使用 Ubuntu on Windows。

如何使用

安装 Redis

项目数据库使用了 Redis，Redis 是一个开源（BSD 许可）的，内存中的数据结构存储系统，它可以用作数据库、缓存和消息中间件。所以请确保运行环境已经正确安装了 Redis。安装方法请参照官网指南。

下载项目源码

1. $ git clone https://github.com/chenjiandongx/async-proxy-pool.git

安装依赖

使用 requirements.txt

1. $ pip install -r requirements.txt

使用 pipenv Pipfile

1. $ pipenv install

配置文件

配置文件 config.py，保存了项目所使用到的所有配置项。如下所示，用户可以根据需求自行更改。不然按默认即可。

1. #!/usr/bin/env python

2. # coding=utf-8

4. # 请求超时时间（秒）

5. REQUEST_TIMEOUT = 15

6. # 请求延迟时间（秒）

7. REQUEST_DELAY = 0

9. # redis 地址

10. REDIS_HOST = "localhost"

11. # redis 端口

12. REDIS_PORT = 6379

13. # redis 密码

14. REDIS_PASSWORD = None

15. # redis set key

16. REDIS_KEY = "proxies"

17. # redis 连接池最大连接量

18. REDIS_MAX_CONNECTION = 20

20. # REDIS SCORE 最大分数

21. MAX_SCORE = 10

22. # REDIS SCORE 最小分数

23. MIN_SCORE = 0

24. # REDIS SCORE 初始分数

25. INIT_SCORE = 9

27. # sanic web host

28. SANIC_HOST = "localhost"

29. # sanic web port

30. SANIC_PORT = 3289

31. # 是否开启 sanic 日志记录

32. SANIC_ACCESS_LOG = True

34. # 批量测试数量

35. VALIDATOR_BATCH_COUNT = 256

36. # 校验器测试网站，可以定向改为自己想爬取的网站，如新浪，知乎等

37. VALIDATOR_BASE_URL = "https://httpbin.org/"

38. # 校验器循环周期（分钟）

39. VALIDATOR_RUN_CYCLE = 15

42. # 爬取器循环周期（分钟）

43. CRAWLER_RUN_CYCLE = 30

44. # 请求 headers

45. HEADERS = {

46.    "X-Requested-With": "XMLHttpRequest",

47.    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 "

48.    "(KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36",

49. }

运行项目 运行客户端，启动收集器和校验器

1. # 可设置校验网站环境变量 set/export VALIDATOR_BASE_URL="https://example.com"

2. $ python client.py

3. 2018-05-16 23:41:39,234 - Crawler working...

4. 2018-05-16 23:41:40,509 - Crawler √ http://202.83.123.33:3128

5. 2018-05-16 23:41:40,509 - Crawler √ http://123.53.118.122:61234

6. 2018-05-16 23:41:40,510 - Crawler √ http://212.237.63.84:8888

7. 2018-05-16 23:41:40,510 - Crawler √ http://36.73.102.245:8080

8. 2018-05-16 23:41:40,511 - Crawler √ http://78.137.90.253:8080

9. 2018-05-16 23:41:40,512 - Crawler √ http://5.45.70.39:1490

10. 2018-05-16 23:41:40,512 - Crawler √ http://117.102.97.162:8080

11. 2018-05-16 23:41:40,513 - Crawler √ http://109.185.149.65:8080

12. 2018-05-16 23:41:40,513 - Crawler √ http://189.39.143.172:20183

13. 2018-05-16 23:41:40,514 - Crawler √ http://186.225.112.62:20183

14. 2018-05-16 23:41:40,514 - Crawler √ http://189.126.66.154:20183

15. ...

16. 2018-05-16 23:41:55,866 - Validator working...

17. 2018-05-16 23:41:56,951 - Validator × https://114.113.126.82:80

18. 2018-05-16 23:41:56,953 - Validator × https://114.199.125.242:80

19. 2018-05-16 23:41:56,955 - Validator × https://114.228.75.17:6666

20. 2018-05-16 23:41:56,957 - Validator × https://115.227.3.86:9000

21. 2018-05-16 23:41:56,960 - Validator × https://115.229.88.191:9000

22. 2018-05-16 23:41:56,964 - Validator × https://115.229.89.100:9000

23. 2018-05-16 23:41:56,966 - Validator × https://103.18.180.194:8080

24. 2018-05-16 23:41:56,967 - Validator × https://115.229.90.207:9000

25. 2018-05-16 23:41:56,968 - Validator × https://103.216.144.17:8080

26. 2018-05-16 23:41:56,969 - Validator × https://117.65.43.29:31588

27. 2018-05-16 23:41:56,971 - Validator × https://103.248.232.135:8080

28. 2018-05-16 23:41:56,972 - Validator × https://117.94.69.166:61234

29. 2018-05-16 23:41:56,975 - Validator × https://103.26.56.109:8080

30. ...

运行服务器，启动 web 服务

1. $ python server.py

2. [2018-05-16 23:36:22 +0800] [108] [INFO] Goin' Fast @ http://localhost:3289

3. [2018-05-16 23:36:22 +0800] [108] [INFO] Starting worker [108]

总体架构

项目主要几大模块分别是爬取模块，存储模块，校验模块，调度模块，接口模块。

• 爬取模块 负责爬取代理网站，并将所得到的代理存入到数据库，每个代理的初始化权值为 INIT_SCORE。

• 存储模块 封装了 Redis 操作的一些接口，提供 Redis 连接池。

• 校验模块 验证代理 IP 是否可用，如果代理可用则权值 +1，最大值为 MAX_SCORE。不可用则权值 -1，直至权值为 0 时将代理从数据库中删除。

• 调度模块 负责调度爬取器和校验器的运行。

• 接口模块 使用 sanic 提供 WEB API 。

  
  

/

欢迎页面

1. $ http http://localhost:3289/

2. HTTP/1.1 200 OK

3. Connection: keep-alive

4. Content-Length: 42

5. Content-Type: application/json

6. Keep-Alive: 5

8. {

9.    "Welcome": "This is a proxy pool system."

10. }

/pop

随机返回一个代理，分三次尝试。

1. 尝试返回权值为 MAX_SCORE，也就是最新可用的代理。

2. 尝试返回随机权值在 (MAXSCORE -3) - MAXSCORE 之间的代理。

3. 尝试返回权值在 0 - MAX_SCORE 之间的代理

1. $ http http://localhost:3289/pop

2. HTTP/1.1 200 OK

3. Connection: keep-alive

4. Content-Length: 38

5. Content-Type: application/json

6. Keep-Alive: 5

8. {

9.    "http": "http://46.48.105.235:8080"

10. }

/get/<count:int>

返回指定数量的代理，权值从大到小排序。

1. $ http http://localhost:3289/get/10

2. HTTP/1.1 200 OK

3. Connection: keep-alive

4. Content-Length: 393

5. Content-Type: application/json

6. Keep-Alive: 5

8. [

9.    {

10.        "http": "http://94.177.214.215:3128"

11.    },

12.    {

13.        "http": "http://94.139.242.70:53281"

14.    },

15.    {

16.        "http": "http://94.130.92.40:3128"

17.    },

18.    {

19.        "http": "http://82.78.28.139:8080"

20.    },

21.    {

22.        "http": "http://82.222.153.227:9090"

23.    },

24.    {

25.        "http": "http://80.211.228.238:8888"

26.    },

27.    {

28.        "http": "http://80.211.180.224:3128"

29.    },

30.    {

31.        "http": "http://79.101.98.2:53281"

32.    },

33.    {

34.        "http": "http://66.96.233.182:8080"

35.    },

36.    {

37.        "http": "http://61.228.45.165:8080"

38.    }

39. ]

/count

返回代理池中所有代理总数

1. $ http http://localhost:3289/count

2. HTTP/1.1 200 OK

3. Connection: keep-alive

4. Content-Length: 15

5. Content-Type: application/json

6. Keep-Alive: 5

8. {

9.    "count": "698"

10. }

/count/<score:int>

返回指定权值代理总数

1. $ http http://localhost:3289/count/10

2. HTTP/1.1 200 OK

3. Connection: keep-alive

4. Content-Length: 15

5. Content-Type: application/json

6. Keep-Alive: 5

8. {

9.    "count": "143"

10. }

/clear/<score:int>

删除权值小于等于 score 的代理

1. $ http http://localhost:3289/clear/0

2. HTTP/1.1 200 OK

3. Connection: keep-alive

4. Content-Length: 22

5. Content-Type: application/json

6. Keep-Alive: 5

8. {

9.    "Clear": "Successful"

10. }

扩展爬取网站

在 crawler.py 文件里新增你自己的爬取方法。

1. class Crawler:

3.    @staticmethod

4.    def run():

5.        ...

7.    # 新增你自己的爬取方法

8.    @staticmethod

9.    @collect_funcs      # 加入装饰器用于最后运行函数

10.    def crawl_xxx():

11.        # 爬取逻辑

sanic 性能测试

使用 wrk 进行服务器压力测试。基准测试 30 秒, 使用 12 个线程, 并发 400 个 http 连接。

测试 http://127.0.0.1:3289/pop

1. $ wrk -t12 -c400 -d30s http://127.0.0.1:3289/pop

2. Running 30s test @ http://127.0.0.1:3289/pop

3.  12 threads and 400 connections

4.  Thread Stats   Avg      Stdev     Max   +/- Stdev

5.    Latency   350.37ms  118.99ms 660.41ms   60.94%

6.    Req/Sec    98.18     35.94   277.00     79.43%

7.  33694 requests in 30.10s, 4.77MB read

8.  Socket errors: connect 0, read 340, write 0, timeout 0

9. Requests/sec:   1119.44

10. Transfer/sec:    162.23KB

测试 http://127.0.0.1:3289/get/10

1. Running 30s test @ http://127.0.0.1:3289/get/10

2.  12 threads and 400 connections

3.  Thread Stats   Avg      Stdev     Max   +/- Stdev

4.    Latency   254.90ms   95.43ms 615.14ms   63.51%

5.    Req/Sec   144.84     61.52   320.00     66.58%

6.  46538 requests in 30.10s, 22.37MB read

7.  Socket errors: connect 0, read 28, write 0, timeout 0

8. Requests/sec:   1546.20

9. Transfer/sec:    761.02KB

性能还算不错，再测试一下没有 Redis 操作的 http://127.0.0.1:3289/

1. $ wrk -t12 -c400 -d30s http://127.0.0.1:3289/

2. Running 30s test @ http://127.0.0.1:3289/

3.  12 threads and 400 connections

4.  Thread Stats   Avg      Stdev     Max   +/- Stdev

5.    Latency   127.86ms   41.71ms 260.69ms   55.22%

6.    Req/Sec   258.56     92.25   520.00     68.90%

7.  92766 requests in 30.10s, 13.45MB read

8. Requests/sec:   3081.87

9. Transfer/sec:    457.47KB

Requests/sec: 3081.87

关闭 sanic 日志记录，测试 http://127.0.0.1:3289/

1. $ wrk -t12 -c400 -d30s http://127.0.0.1:3289/

2. Running 30s test @ http://127.0.0.1:3289/

3.  12 threads and 400 connections

4.  Thread Stats   Avg      Stdev     Max   +/- Stdev

5.    Latency    34.63ms   12.66ms  96.28ms   58.07%

6.    Req/Sec     0.96k   137.29     2.21k    73.29%

7.  342764 requests in 30.10s, 49.69MB read

8. Requests/sec:  11387.89

9. Transfer/sec:      1.65MB

Requests/sec: 11387.89

实际代理性能测试

test_proxy.py 用于测试实际代理性能

运行代码

1. $ cd test

2. $ python test_proxy.py

4. # 可设置的环境变量

5. TEST_COUNT = os.environ.get("TEST_COUNT") or 1000

6. TEST_WEBSITE = os.environ.get("TEST_WEBSITE") or "https://httpbin.org/"

7. TEST_PROXIES = os.environ.get("TEST_PROXIES") or "http://localhost:3289/get/20"

实测效果

https://httpbin.org/

1. 测试代理： http://localhost:3289/get/20

2. 测试网站： https://httpbin.org/

3. 测试次数： 1000

4. 成功次数： 1000

5. 失败次数： 0

6. 成功率： 1.0

https://taobao.com

1. 测试代理： http://localhost:3289/get/20

2. 测试网站： https://taobao.com/

3. 测试次数： 1000

4. 成功次数： 984

5. 失败次数： 16

6. 成功率： 0.984

https://baidu.com

1. 测试代理： http://localhost:3289/get/20

2. 测试网站： https://baidu.com

3. 测试次数： 1000

4. 成功次数： 975

5. 失败次数： 25

6. 成功率： 0.975

https://zhihu.com

1. 测试代理： http://localhost:3289/get/20

2. 测试网站： https://zhihu.com

3. 测试次数： 1000

4. 成功次数： 1000

5. 失败次数： 0

6. 成功率： 1.0

可以看到其实性能是非常棒的，成功率极高。 wink

实际应用示例

1. import random

3. import requests

5. # 确保已经启动 sanic 服务

6. # 获取多个然后随机选一个

8. try:

9.    proxies = requests.get("http://localhost:3289/get/20").json()

10.    req = requests.get("https://example.com", proxies=random.choice(proxies))

11. except:

12.    raise

14. # 或者单独弹出一个

16. try:

17.    proxy = requests.get("http://localhost:3289/pop").json()

18.    req = requests.get("https://example.com", proxies=proxy)

19. except:

20.    raise

aiohttp 的坑

整个项目都是基于 aiohttp 这个异步网络库的，在这个项目的文档中，关于代理的介绍是这样的。

划重点：aiohttp supports HTTP/HTTPS proxies

但是，它根本就不支持 https 代理好吧，在它的代码中是这样写的。

划重点：Only http proxies are supported

我的心情可以说是十分复杂的。astonished 不过只有 http 代理效果也不错没什么太大影响，参见上面的测试数据。

参考借鉴项目

• ProxyPool

• proxy_pool

License

MIT ©chenjiandongx

Python中文社区

全球Python中文开发者的

精神部落

Python中文社区作为一个去中心化的全球技术社区，以成为全球20万Python中文开发者的精神部落为愿景，目前覆盖各大主流媒体和协作平台，与阿里、腾讯、百度、微软、亚马逊、开源中国、极客邦、CSDN等业界知名公司和技术社区建立了广泛的联系，拥有来自十多个国家和地区数万名登记会员，会员来自以公安部、工信部、清华大学、北京大学、北京邮电大学、中国人民银行、中科院、中金、华为、BAT、谷歌、微软等为代表的政府机关、科研单位、金融机构以及海内外知名公司，全平台近20万开发者关注。

最近热门文章

用Python分析苹果公司股价数据

Nginx+uwsgi部署Django应用

用文本挖掘剖析近5万首《全唐诗》

Python自然语言处理分析倚天屠龙记

Python 3.6实现单博主微博文本、图片及热评爬取

▼ 点击下方阅读原文，免费成为社区会员