Flask+Redis维护代理池

声明：此篇文章主要是观看静觅教学视频后做的笔记，原教程地址https://cuiqingcai.com/

  普通代理

    因为之前都是学习测试，不需要对网站频繁的搜索爬取，所以代理使用似乎关系不大，不过为了防止IP被封，也是一个很重要的知识点。之前使用代理也都是查找一些代理网站，手动将IP设置添加到proxies参数中，比较麻烦，而且代理IP也有可能出现无法正常访问的情况

import requests

proxies = {
  "http": "http://127.0.0.1:9743",
  "https": "https://127.0.0.1:9743",
}
response = requests.get("https://www.taobao.com", proxies=proxies)

维护代理池

1.为什么要用代理池许多网站有专门的反爬虫措施，可能遇到封IP等问题  
    ①互联网上公开了大量免费代理，利用好资源
    ②通过定时的检测维护同样可以得到多个可用代理

2.代理池的要求
    ①多站抓取，异步检测
    ②定时筛选，持续更新
    ③提供接口，易于提取

3.代理池的架构
   

4.代理池的获取途径   
    现在，新增一个解决思路，那就是通过Flask+Redis维护代理池。免费代理的质量可能不是太好，可能一个代理无数个人在用也说不定，主要实现就是从免费代理网站大量抓取这些免费代理，然后筛选出其中可用的代理存储起来供我们使用，不可用的进行剔除，以西刺免费代理IP为例           

    可以看到网页里提供了一些免费代理列表，包括服务器地址、端口、代理种类、地区、更新时间等等信息。当前我们需要的就是代理服务器和端口信息，将其爬取下来即可

5.维护代理
    代理被爬取下来之后，就要解决代理的保存问题。首先我们需要确保的目标是可以边取边存，另外还需要定时检查队列中不可用的代理将其剔除，所以需要易于存取。
    另外怎样区分哪些是最新的可用的，哪些是旧的，如果用修改时间来标注是可以的，不过更简单的方法就是维护一个队列，只从一端存入，例如右端，这样就能确保最新的代理在队列右端，而在左端则是存入时间较长的代理，如果要取一个可用代理，从队列右端取一个就好了。那么对于队列的左端，不能让它一直老化下去，还需要做的操作就是定时从队列左端取出代理，然后进行检测，如果可用，重新将其加入右端
    通过以上操作，就保证了代理一直是最新可用的。所以目前来看，既能高效处理，又可以做到队列动态维护，合适的方法就是利用Redis数据库的队列。可以定义一个类来维护一个Redis队列，比如get方法是批量从左端取出代理，put方法是从右端放入可用代理，pop方法是从右端取出最新可用代理

import redis
from proxypool.error import PoolEmptyError
from proxypool.setting import HOST, PORT
​​​​​​​
class RedisClient(object):
    def __init__(self, host=HOST, port=PORT):
        self._db = redis.Redis(host, port)
    def get(self, count=1):
        proxies = self._db.lrange("proxies", 0, count - 1)
        self._db.ltrim("proxies", count, -1)
        return proxies
    def put(self, proxy):
        self._db.rpush("proxies", proxy)
    def pop(self):
        try:
            return self._db.rpop("proxies").decode('utf-8')
        except:
            raise PoolEmptyError

6.检测代理
    可以使用这个代理来请求某个站点，比如百度，如果获得正常的返回结果，那证明代理可用，否则代理不可用

import requests

conn = RedisClient()
proxies = {'http': proxy}
r = requests.get('https://www.baidu.com', proxies=proxies)
if r.status_code == 200:
    conn.put(proxy)

7.获取可用代理
    通过redis-desktop可以看到一个proxies的键，其内容就是一些可用的IP代理，也就是所维护的代理池

   

    维护了一个代理池，那么这个代理池需要是可以公用的。比如现在有多个爬虫项目都需要用到代理，而代理池的维护作为另外的一个项目，他们之间如果要建立连接，最恰当的方式就是接口。所以可以利用Web服务器来实现一个接口，其他的项目通过请求这个接口得到内容获取到一个可用代理，这样保证了代理池的通用性。所以要实现这个还需要一个Web服务器，例如Flask，Tornado等等。例如使用Flask，定义一个路由，然后调用RedisClient的pop方法，返回结果即可

@app.route('/')
def get_proxy():
    conn = RedisClient()
    return conn.pop()

    这样一来，整个程序运行起来后，请求网页就可以看到一个可用代理了

8.使用代理
    使用代理时只需要请求这个站点，就可以拿到可使用的代理了。

def get_proxy():
    r = requests.get('http://127.0.0.1:5000')
    return r.text
def crawl(url, proxy):
    proxies = {'http': get_proxy()}
    r = requests.get(url, proxies=proxies)
    # do something

    可以定义一个简单的方法，返回网页内容即代理，然后在爬取方法里设置代理使用即可

10.代理池功能测试
    在了解了前面内容之后，现学现用，马上用代理池测试访问了我的站点

11.代理池完整源码
    我是从崔家华老师的github上下载下来的，源码可参考：https://github.com/Germey/ProxyPool  

    下载后发现源码不能正常安装，发现是在setup.py文件中有个参数配置错误

# 将
packages=[
        'proxy-pool'
    ],
# 改为
packages=[
        'proxypool'
    ],

    修改后的项目地址：https://github.com/XiaoFei-97/ProxyPool

原文出处：https://www.jzfblog.com/detail/68，文章的更新编辑以此链接为准。欢迎关注源站文章！