大家在github,我的公众号和博客上提出了很多建议。经过两周时间的努力,基本完成了开源IP代理池IPProxyPool的重构任务,业余时间基本上都花在上面了。
IPProxyPool相对于之前的版本完成了哪些提升呢?主要包括一下几个方面:
- 使用多进程+协程的方式,将爬取和验证的效率提高了50倍以上,可以在几分钟之内获取所有的有效IP
- 使用web.py作为API服务器,重构HTTP接口
- 增加Mysql,MongoDB等数据库的适配
- 支持python3
- 增加了三个代理网站
- 增加评分机制,评比稳定的ip
大家如果感兴趣,可以到github上clone IPProxyPool源码,已经503 star了。
下面说明一下使用方法:
项目依赖
Ubuntu,debian
1.安装sqlite数据库(一般系统内置): apt-get install sqlite3
2.安装requests,chardet,web.py,gevent: pip install requests chardet web.py sqlalchemy gevent
3.安装lxml: apt-get install python-lxml
注意:
- python3下的是pip3
- 有时候使用的gevent版本过低会出现自动退出情况,请使用pip install gevent --upgrade更新)
- 在python3中安装web.py,不能使用pip,直接下载py3版本的源码进行安装
Windows
1.下载sqlite,路径添加到环境变量
2.安装requests,chardet,web.py,gevent: pip install requests chardet web.py sqlalchemy gevent
3.安装lxml: pip install lxml或者下载lxml windows版
注意:
- python3下的是pip3
- 有时候使用的gevent版本过低会出现自动退出情况,请使用pip install gevent --upgrade更新)
- 在python3中安装web.py,不能使用pip,直接下载py3版本的源码进行安装
扩展说明
本项目默认数据库是sqlite,但是采用sqlalchemy的ORM模型,通过预留接口可以拓展使用MySQL,MongoDB等数据库。 配置方法:
1.MySQL配置
1
2
3
4
5
6
7
8
9
10
11
12
|
第一步:首先安装MySQL数据库并启动
第二步:安装MySQLdb或者pymysql(推荐)
第三步:在config.py文件中配置DB_CONFIG。如果安装的是MySQLdb模块,配置如下:
DB_CONFIG
=
{
'DB_CONNECT_TYPE'
:
'sqlalchemy'
,
'DB_CONNECT_STRING'
:
'mysql+mysqldb://root:root@localhost/proxy?charset=utf8'
}
如果安装的是pymysql模块,配置如下:
DB_CONFIG
=
{
'DB_CONNECT_TYPE'
:
'sqlalchemy'
,
'DB_CONNECT_STRING'
:
'mysql+pymysql://root:root@localhost/proxy?charset=utf8'
}
|
sqlalchemy下的DB_CONNECT_STRING参考支持数据库,理论上使用这种配置方式不只是适配MySQL,sqlalchemy支持的数据库都可以,但是仅仅测试过MySQL。
2.MongoDB配置
1
2
3
4
5
6
7
|
第一步:首先安装MongoDB数据库并启动
第二步:安装pymongo模块
第三步:在config.py文件中配置DB_CONFIG。配置类似如下:
DB_CONFIG
=
{
'DB_CONNECT_TYPE'
:
'pymongo'
,
'DB_CONNECT_STRING'
:
'mongodb://localhost:27017/'
}
|
由于sqlalchemy并不支持MongoDB,因此额外添加了pymongo模式,DB_CONNECT_STRING参考pymongo的连接字符串。
注意:如果大家想拓展其他数据库,可以直接继承db下ISqlHelper类,实现其中的方法,具体实现参考我的代码,然后在DataStore中导入类即可。
1
2
3
4
5
6
7
8
9
|
try
:
if
DB_CONFIG[
'DB_CONNECT_TYPE'
]
=
=
'pymongo'
:
from
db.MongoHelper
import
MongoHelper as SqlHelper
else
:
from
db.SqlHelper
import
SqlHelper as SqlHelper
sqlhelper
=
SqlHelper()
sqlhelper.init_db()
except
Exception,e:
raise
Con_DB_Fail
|
有感兴趣的朋友,可以将Redis的实现方式添加进来。
如何使用
将项目目录clone到当前文件夹
1
|
$ git clone
|
切换工程目录
1
2
|
$ cd IPProxyPool
$ cd IPProxyPool_py2 或者 cd IPProxyPool_py3
|
运行脚本
1
|
python IPProxy.py
|
成功运行后,打印信息
1
2
3
4
5
|
IPProxyPool
-
-
-
-
-
>>>>>>>>beginning
http:
/
/
0.0
.
0.0
:
8000
/
IPProxyPool
-
-
-
-
-
>>>>>>>>db exists ip:
0
IPProxyPool
-
-
-
-
-
>>>>>>>>now ip num < MINNUM,start crawling...
IPProxyPool
-
-
-
-
-
>>>>>>>>Success ip num :
134
,Fail ip num:
7882
|
API 使用方法
第一种模式
GET /
这种模式用于查询代理ip数据,同时加入评分机制,返回数据的顺序是按照评分由高到低,速度由快到慢制定的。
参数
例子
IPProxys默认端口为8000,端口可以在config.py中配置。如果是在本机上测试: 1.获取5个ip地址在中国的高匿代理:http://127.0.0.1:8000/?types=0&count=5&country=中国
2.响应为JSON格式,按照评分由高到低,响应速度由高到低的顺序,返回数据:
1
|
[[
"122.226.189.55"
,
138
,
10
], [
"183.61.236.54"
,
3128
,
10
], [
"61.132.241.109"
,
808
,
10
], [
"183.61.236.53"
,
3128
,
10
], [
"122.227.246.102"
,
808
,
10
]]
|
以["122.226.189.55", 138, 10]为例,第一个元素是ip,第二个元素是port,第三个元素是分值score。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
import
requests
import
json
r
=
requests.get(
'http://127.0.0.1:8000/?types=0&count=5&country=中国'
)
ip_ports
=
json.loads(r.text)
print
ip_ports
ip
=
ip_ports[
0
][
0
]
port
=
ip_ports[
0
][
1
]
proxies
=
{
'http'
:
'http://%s:%s'
%
(ip,port),
'https'
:
'http://%s:%s'
%
(ip,port)
}
r
=
requests.get(
'http://ip.chinaz.com/'
,proxies
=
proxies)
r.encoding
=
'utf-8'
print
r.text
|
第二种模式
GET /delete
这种模式用于方便用户根据自己的需求删除代理ip数据
参数
大家可以根据指定以上一种或几种方式删除数据。
例子
如果是在本机上测试: 1.删除ip为120.92.3.127的代理:http://127.0.0.1:8000/delete?ip=120.92.3.127
2.响应为JSON格式,返回删除的结果为成功,失败或者返回删除的个数,类似如下的效果:
["deleteNum", "ok"]或者["deleteNum", 1]
1
2
3
|
import
requests
r
=
requests.get(
'http://127.0.0.1:8000/delete?ip=120.92.3.127'
)
print
r.text
|
以上就是重构后的IPProxyPool,两周的辛苦没有白费,当然还有不足,之后会陆续添加智能选择代理的功能。