自建代理池轻松爬取大数据，无惧反爬虫。

随着大型网站反扒机制的增强，更改IP登陆已经成为一种最高效的方式，为此打造一款超强IP池项目，采用最新最快的Python技术——异步（Async ）。一个免费的异步爬虫代理池，以 Python asyncio 为基础，充分利用 Python 的异步性能，异步处理比同步处理能提升成百上千倍的效率，速度堪比GO语言。无私分享全套Python爬虫干货，如果你也想学习Python，@ 私信小编获取

项目介绍

本项目通过爬虫抓取互联网上免费代理网站的IP，并且进行异步检测是否可用，如果可用就放入数据库。定时对数据库中的代理进行维护，然后通过web api的形式供外部使用。

项目运行环境

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 用户可以考虑使用 Ubuntu on Windows。

项目总体架构

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crawler.py

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database.py

封装了 Redis 操作的一些接口，提供 Redis 连接池。

校验模块validator.py

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scheduler.py

负责调度爬取器和校验器的运行。

接口模块webapi.py

使用 sanic 提供 WEB API （服务器提供接口）。

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。

项目源码

文末点击阅读原文

安装依赖

$pipinstall-rrequirements.txt

 

也可以在程序代码中用相应的语言获取，例如:

importrequests
frombs4importBeautifulSoup
importlxml

defget_proxy():
r=requests.get('http://127.0.0.1:5000/get')
proxy=BeautifulSoup(r.text,"lxml").get_text()
returnproxy

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

$wrk-t12-c400-d30shttp://127.0.0.1:3289/
Running30stest@http://127.0.0.1:3289/
12threadsand400connections
ThreadStatsAvgStdevMax+/-Stdev
Latency34.63ms12.66ms96.28ms58.07%
Req/Sec0.96k137.292.21k73.29%
342764requestsin30.10s,49.69MBread
Requests/sec:11387.89
Transfer/sec:1.65MB

我们看到了什么？平均每秒钟11387.89个请求，就问你们怕不怕。机器性能更好一下，就是一波DOS攻击了。

实际代理性能测试

实测效果

https://taobao.com（测试淘宝）

测试代理：http://localhost:3289/get/20
测试网站：https://taobao.com/
测试次数：1000
成功次数：984
失败次数：16
成功率：0.984

https://baidu.com（测试百度）

测试代理：http://localhost:3289/get/20
测试网站：https://baidu.com
测试次数：1000
成功次数：975
失败次数：25
成功率：0.975

总结 

对于做爬虫的人来说，拥有一个免费的代理池是必须要。同时Python的异步是未来的发展趋势，sanic异步框架天生就是处理百万级高并发的。

为了帮助大家更轻松的学好Python，我给大家分享一套Python学习资料，希望对正在学习的你有所帮助！

获取方式：关注并私信小编 “ 学习 ”，即可免费获取！