您现在的位置是：首页 >技术杂谈 >Python爬虫——怎么搭建和维护一个本地IP池网站首页技术杂谈
Python爬虫——怎么搭建和维护一个本地IP池
目录
背景
在我们进行爬虫工作时，经常需要使用代理IP。大多数代理IP服务商为了保障服务器的持久稳定性，提供的代理IP往往都有最小提取间隔限制，虽然很合理，但有些特殊要求需要0间隔提取代理IP的业务就无法使用，那么建立本地IP池，可以很好的实现0间隔提取代理IP。
一、什么是本地代理IP池
代理IP池是一种由多个代理IP构成的集合，可以通过接口等方式随时获取可用的代理IP。通俗地打个比方，它就是一个池子，里面装了很多代理ip。代理IP具有以下几个特征：
1、池子里的ip是有生存周期的，它们将被定期验证，其中失效的将被剔除。
2、池子里的ip是有补充渠道的，不断会有新的代理ip加入其中。
3、池子中的代理ip是可以被随机取出来使用的。
这样，代理池中始终有多个不断更换的、有效的代理ip，且我们可以无间隔随机从池子中取出代理ip，然后让爬虫程序使用代理ip访问目标网站，解决在爬虫或其他应用中遇到的封禁、限制等问题。
二、代理IP池功能架构图
自建代理IP池的功能架构图包括以下组件：
-
IP池管理器：用于管理IP池，包括IP地址的添加、删除、查询和更新等操作。
-
代理IP获取器：用于从外部资源中获取代理IP，例如从公开代理IP网站上爬取代理IP、从代理服务商订购代理IP等。
-
IP质量检测器：用于检测代理IP的质量，包括代理IP的连接速度、稳定性、匿名性等特征。
-
数据存储器：用于存储IP池和代理IP的数据，例如使用MySQL等关系型数据库、Redis等非关系型数据库等。
-
API接口层：用于接收来自应用程序的请求，调用IP池管理器、代理IP获取器、IP质量检测器和数据存储器等组件进行处理，并返回相应的数据结果。
-
应用程序：用于调用API接口层，实现代理IP的使用、监控和管理等功能。
三、各个组件功能说明及示例代码
1. IP池管理器
IP池管理器的作用是管理IP池，它可以实现以下功能：
- 添加新的IP地址到IP池中；
- 删除不需要的IP地址；
- 查询IP池中的可用IP地址；
- 更新IP池中的IP地址信息。
这里以Python语言举例，实现一个简单的IP池管理器：
class IPPoolManager:
def __init__(self, db):
self.db = db # 数据库连接
def add_ip(self, ip, port, protocol='http', source='', status='new'):
''' 添加新的IP地址到IP池 '''
cursor = self.db.cursor()
sql = "INSERT INTO ip_pool(ip, port, protocol, source, status) VALUES(%s, %s, %s, %s, %s)"
data = (ip, port, protocol, source, status)
cursor.execute(sql, data)
self.db.commit()
return cursor.lastrowid # 返回添加记录的ID
def delete_ip(self, ip_id):
''' 从IP池中删除不需要的IP地址 '''
cursor = self.db.cursor()
sql = "DELETE FROM ip_pool WHERE id=%s"
cursor.execute(sql, (ip_id,))
self.db.commit()
def get_ip(self, status='new'):
''' 查询IP池中的可用IP地址 '''
cursor = self.db.cursor()
sql = "SELECT * FROM ip_pool WHERE status=%s ORDER BY id DESC LIMIT 1"
cursor.execute(sql, (status,))
result = cursor.fetchone()
return result
def update_status(self, ip_id, status):
''' 更新IP池中的IP地址信息 '''
cursor = self.db.cursor()
sql = "UPDATE ip_pool SET status=%s WHERE id=%s"
cursor.execute(sql, (status, ip_id))
self.db.commit()2. 代理IP获取器
负责定时（最小提取间隔）从代理IP服务商那里调用API接口获取代理IP。当然也可以爬取免费代理IP，但为了提高工作效率，建议购买优质代理IP，这里使用了站大爷代理IP（https://www.zdaye.com）。注册后可以免费试用所有的套餐2小时，生成API接口后，就可以提取到代理IP。
这里以站大爷代理IP接口为例，实现一个简单的代理IP获取器（需要使用requests库）：
import requests
def get_ip():
url = "https://www.zdaye.com" //在后台的实例管理里面可以直接生成api接口，选择JSON格式
res = requests.get(url)
# print(res.text)
for i in json.loads(res.text)["data"]:
print(i, type(i))
ip = {
"http": str(i["ip"]) + ":" + str(i["port"]),
"https": str(i["ip"]) + ":" + str(i["port"])
}
return ip
注意：我们拿到的代理是 {"ip":"117.57.91.154","port":40021} 这种样子的；
爬虫使用的代理要装成：{'http': '163.125.104.6:40011', 'https': '163.125.104.6:40011'}这种样子。
3. IP质量检测器
IP质量检测器的作用是检测代理IP的质量，包括代理IP的连接速度、稳定性、匿名性等特征。这里以验证代理IP的可用性为例，实现一个简单的IP质量检测器。
import requests
class IPChecker:
def __init__(self):
self.timeout = 5 # 设置超时时间
self.headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36'}
def check_ip(self, ip, port):
''' 验证代理IP的可用性 '''
proxies = {'http': 'http://%s:%s' % (ip, port), 'https': 'https://%s:%s' % (ip, port)}
try:
response = requests.get('http://www.baidu.com', headers=self.headers, proxies=proxies, timeout=self.timeout)
if response.status_code == 200:
return True
else:
return False
except:
return False上面的代码使用requests库发送HTTP请求，通过设置proxies参数和timeout参数来验证代理IP是否可用，如果能正常访问百度网站，则验证通过返回True，否则返回False。
4、数据存储器
数据存储器的作用是存储IP池和代理IP的数据，例如使用MySQL等关系型数据库、Redis等非关系型数据库等。这里以MySQL为例，实现一个简单的数据存储器。
import pymysql
class MySQLDataStorage:
def __init__(self, host, port, user, password, database):
self.host = host
self.port = port
self.user = user
self.password = password
self.database = database
def connect(self):
''' 连接数据库 '''
self.db = pymysql.connect(host=self.host, port=self.port, user=self.user, password=self.password, database=self.database)
def disconnect(self):
''' 断开数据库连接 '''
self.db.close()
def create_table(self):
''' 创建IP池表 '''
cursor = self.db.cursor()
sql = '''
CREATE TABLE IF NOT EXISTS ip_pool (
id INT(11) NOT NULL AUTO_INCREMENT,
ip VARCHAR(50) NOT NULL,
port VARCHAR(10) NOT NULL,
protocol VARCHAR(10) NOT NULL,
source VARCHAR(50) NOT NULL,
status VARCHAR(10) NOT NULL,
created_time TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY (id)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci;
'''
cursor.execute(sql)
self.db.commit()
def insert(self, ip, port, protocol, source, status):
''' 添加新的IP地址到IP池 '''
cursor = self.db.cursor()
sql = "INSERT INTO ip_pool(ip, port, protocol, source, status) VALUES(%s, %s, %s, %s, %s)"
data = (ip, port, protocol, source, status)
cursor.execute(sql, data)
self.db.commit()
return cursor.lastrowid # 返回添加记录的ID
def delete(self, ip_id):
''' 从IP池中删除不需要的IP地址 '''
cursor = self.db.cursor()
sql = "DELETE FROM ip_pool WHERE id=%s"
cursor.execute(sql, (ip_id,))
self.db.commit()
def select(self, status='new'):
''' 查询IP池中的可用IP地址 '''
cursor = self.db.cursor()
sql = "SELECT * FROM ip_pool WHERE status=%s ORDER BY id DESC LIMIT 1"
cursor.execute(sql, (status,))
result = cursor.fetchone()
return result
def update(self, ip_id, status):
''' 更新IP池中的IP地址信息 '''
cursor = self.db.cursor()
sql = "UPDATE ip_pool SET status=%s WHERE id=%s"
cursor.execute(sql, (status, ip_id))
self.db.commit()上面的代码封装了MySQL的连接、断开连接、创建表、增删改查等操作，可以通过调用接口实现IP池数据库的交互。注意，这里使用了execute()函数的带参数方式来防止SQL注入攻击。
5、API接口层
API接口层的作用是提供API接口，让其他程序可以与IP池系统进行交互，例如查询可用代理IP、获取新的代理IP等。这里以Python Flask框架为例，实现一个简单的API接口层。```
from flask import Flask, jsonify
from ip_pool_manager import IPPoolManager
app = Flask(__name__)
manager = IPPoolManager() # 初始化IP池管理器
@app.route('/')
def hello_world():
return 'Hello, World!'
@app.route('/get')
def get_proxy():
''' 查询可用代理IP '''
result = manager.get_ip()
if result:
ip = result['ip']
port = result['port']
protocol = result['protocol']
manager.update_status(result['id'], 'using') # 更新IP状态为使用中
return jsonify({'ip': ip, 'port': port, 'protocol': protocol})
else:
# 如果没有可用IP，则返回空
return ''
@app.route('/add/<ip>/<port>')
def add_proxy(ip, port):
''' 添加新的代理IP '''
manager.add_ip(ip, port)
return 'ok'
@app.route('/delete/<int:id>')
def delete_proxy(id):
''' 删除不需要的代理IP '''
manager.delete_ip(id)
return 'ok'
if __name__ == '__main__':
app.run()上面的代码使用了Flask框架实现了三个接口：
- /get：查询可用代理IP；
- /add：添加新的代理IP；
- /delete：删除不需要的代理IP。
其中，get_proxy()函数从IP池管理器中获取可用代理IP，并更新IP状态为使用中，返回JSON格式的数据；add_proxy()函数向IP池管理器中添加新的代理IP；delete_proxy()函数从IP池管理器中删除不需要的代理IP。启动Flask应用程序后，其他程序可以通过HTTP请求调用这些接口与IP池系统进行交互。
6、应用程序
以下是一个简单的应用程序示例。它使用IP池系统提供的可用代理IP，并使用requests库实现了一个简单的爬虫示例。
import requests
from bs4 import BeautifulSoup
from ip_checker import IPChecker
from ip_pool_manager import IPPoolManager
import time
def main():
checker = IPChecker()
manager = IPPoolManager()
while True:
ip_info = manager.get_ip() # 获取可用代理IP
if ip_info:
ip = ip_info.get('ip')
port = ip_info.get('port')
protocol = ip_info.get('protocol')
if checker.check_ip(ip, port):
print(f'使用代理IP {ip}:{port} 获取数据')
proxies = {'http': f'{protocol}://{ip}:{port}', 'https': f'{protocol}://{ip}:{port}'}
response = requests.get('http://www.baidu.com', proxies=proxies)
# 这里可以根据需要解析返回的数据
soup = BeautifulSoup(response.text, 'html.parser')
print(soup.title.string)
time.sleep(5) # 延迟5秒后继续获取
else:
# 如果代理IP不可用，则将其状态设置为失效
manager.update_status(ip_info['id'], 'invalid')
else:
# 如果没有可用代理IP，则等待一段时间后再尝试获取
time.sleep(60)
if __name__ == '__main__':
main()以上代码的主函数中使用IP池系统提供的可用代理IP，使用requests库发送HTTP请求，获取返回的数据。如果返回的数据解析成功，控制台输出网站的标题，然后等待5秒后继续获取。如果代理IP不可用或者IP池中没有可用的IP，程序会等待一段时间后再尝试获取。
总结
有了本地IP池，可以更加方便的管理和使用代理IP，不仅可以0间隔提取代理IP，还能提高爬虫的工作效率。
站长推荐
- stm32使用HAL库配置串口中断收发数据（保姆级教程）
stm32使用HAL库配置串口中断收发数据（保姆级教程） - SpringSecurity实现前后端分离认证授权
SpringSecurity实现前后端分离认证授权 - U8W/U8W-Mini使用与常见问题解决
U8W/U8W-Mini使用与常见问题解决 - 【社区图书馆】伴我前行的一本书《The C Programming Language》
【社区图书馆】伴我前行的一本书《The C Programming Language》 - 【云原生进阶之容器】第六章容器网络6.6.1--Cilium网络方案概述
【云原生进阶之容器】第六章容器网络6.6.1--Cilium网络方案概述