python 爬虫 ip池维护思路

对于HTTP代理池的维护，可以从以下几个方面入手：

1.验证HTTP代理的可用性

可以通过requests库向目标网站发送请求，判断HTTP代理是否能够成功返回响应。如果返回成功，则说明HTTP代理可用，否则说明HTTP代理已失效。可以在代码中设置超时时间，避免长时间等待无响应的HTTP代理。

import requests

def check_proxy(proxy):
    try:
        response = requests.get(url, proxies=proxy, timeout=3)
        if response.status_code == 200:
            return Trueexcept:
        passreturn False

2.更新HTTP代理池

可以通过定期爬取HTTP代理网站或者购买付费HTTP代理服务来获取新的HTTP代理。可以使用requests库向HTTP代理网站发送请求，获取HTML页面，并使用BeautifulSoup库解析HTML页面，从而获取HTTP代理信息。通过一定的筛选规则，可以将新获取的HTTP代理加入到HTTP代理池中。

import requests
from bs4 import BeautifulSoup

def get_proxies():
    url = 'http://www.xicidaili.com/nn/'
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'
    }
    response = requests.get(url, headers=headers)
    soup = BeautifulSoup(response.text, 'html.parser')
    table = soup.find('table', {'id': 'ip_list'})
    tr_list = table.find_all('tr')
    proxies = []
    for tr in tr_list[1:]:
        td_list = tr.find_all('td')
        ip = td_list[1].text
        port = td_list[2].text
        protocol = td_list[5].text.lower()
        proxy = '{}://{}:{}'.format(protocol, ip, port)
        proxies.append(proxy)
    return proxies

3.维护HTTP代理的质量

可以通过一些指标来衡量HTTP代理的质量，比如连接速度、响应时间、访问成功率等。可以定时对HTTP代理进行评估，筛选出质量较好的IP，并从HTTP代理池中删除质量较差的IP。

import requests
from multiprocessing import Pool
from functools import partial

def check_proxy_quality(proxy):
    try:
        response = requests.get(url, proxies=proxy, timeout=3)
        if response.status_code == 200:
            return True, response.elapsed.total_seconds()
    except:
        passreturn False, Nonedef evaluate_proxies(proxies):
    pool = Pool(processes=8)
    results = pool.map(partial(check_proxy_quality), proxies)
    pool.close()
    pool.join()

    quality_proxies = []
    for proxy, result in zip(proxies, results):
        is_valid, response_time = result
        if is_valid:
            quality_proxies.append((proxy, response_time))
    return quality_proxies

4.监控HTTP代理的使用情况

对于监控HTTP代理的使用情况，一种比较简单的方法是记录每个HTTP代理的使用次数和成功率，以便及时发现哪些HTTP代理不再可用或者质量较差。

可以使用Python内置的shelve模块，将HTTP代理的使用情况保存在一个本地文件中。shelve模块可以提供类似字典的数据存储方式，方便快捷地读取和写入数据。

以下是一个简单的示例代码：

import shelve

class ProxyManager:
    def __init__(self, filename='proxies.db'):
        self.filename = filename
        self.proxies = shelve.open(filename, writeback=True)
        if not self.proxies.get('used_proxies'):
            self.proxies['used_proxies'] = {}

    def mark_as_used(self, proxy):
        if proxy in self.proxies:
            self.proxies[proxy]['used_times'] += 1
            self.proxies[proxy]['success_rate'] = self.proxies[proxy]['success_times'] / self.proxies[proxy]['used_times']
        else:
            self.proxies[proxy] = {'used_times': 1, 'success_times': 0, 'success_rate': 0}
        self.proxies['used_proxies'][proxy] = True

    def mark_as_success(self, proxy):
        if proxy in self.proxies:
            self.proxies[proxy]['success_times'] += 1
            self.proxies[proxy]['success_rate'] = self.proxies[proxy]['success_times'] / self.proxies[proxy]['used_times']
        else:
            self.proxies[proxy] = {'used_times': 1, 'success_times': 1, 'success_rate': 1}
        self.proxies['used_proxies'][proxy] = True

    def is_used(self, proxy):
        return self.proxies['used_proxies'].get(proxy)

    def close(self):
        self.proxies.close()

在使用HTTP代理进行网络请求时，可以先检查该HTTP代理是否已被使用过。如果该HTTP代理已被使用过，则不再使用该HTTP代理。如果该HTTP代理未被使用过，则使用该HTTP代理进行网络请求，并在请求成功或失败后，更新该HTTP代理的使用情况。

以下是一个简单的示例代码：

def get_page(url, proxy_manager):
    for i in range(3):
        proxy = get_proxy(proxy_manager)
        if proxy:
            try:
                response = requests.get(url, proxies={'http': proxy, 'https': proxy}, timeout=3)
                if response.status_code == 200:
                    proxy_manager.mark_as_success(proxy)
                    return response.text
            except:
                pass
            proxy_manager.mark_as_used(proxy)
    return None

def get_proxy(proxy_manager):
    proxies = list(proxy_manager.proxies.keys())
    for proxy in proxies:
        if not proxy_manager.is_used(proxy):
            return proxy
    return None

需要注意的是，shelve模块的写入操作可能比较耗时，如果HTTP代理池较大，可以考虑每隔一段时间将HTTP代理使用情况保存在本地文件中，以提高性能。同时，如果HTTP代理池中存在较多已失效的HTTP代理，证明这个池子的IP可用率已经极低了，还是会更建议大家伙使用优质厂商提供的HTTP代理。

正常情况下，很多人会说随着经济下行，能有使用的就已经不错了，还谈什么自行车，且不谈免费的HTTP代理的连通性，实际上只要选对HTTP代理，采购的成本也会在我们的承受范围内的。例如，此前我们搜集了这几家的动态共享HTTP代理：

注：动态短效代理有按时和按量之分，都已经几种汇总了：

HTTP代理类型	分类		代表厂商	白名单数	基础套餐 （元/月）	平均IP单价 （元/IP）
动态短效HTTP代理	按时计费	以IP通道为增量	青果网络	256	29	0.0006
			小象代理	5	109	0.0050
		以每日IP量为增量	巨量代理	5	155	0.0049
			豌豆代理	5	300	0.0025
			讯代理	1	210	0.0583
			品易代理	20	120	0.0070
			芝麻代理	5	360	0.0182
	按量计费	/	青果网络	256	30	0.0030
			豌豆代理	5	200	0.0200
			小象代理	5	100	0.0100
			巨量代理	5	75	0.0140
			品易代理	20	100	0.0100
			芝麻代理	5	420	0.0420

拿青果网络来说，29一个月，均摊到每天也就1块钱，差不多是一瓶水的价格了。从业务结果的表现而言，也算可圈可点：

当然，我们选择HTTP代理厂商都是基于各自业务的场景需求，不同场景所需的HTTP代理产品也不同，但各位可以测试了看看，所有的产品都要最红应用到自身，才能知道效果如何。