Python最强的代理池,突破IP的封锁爬取海量数据(

日期: 2020-01-02 15:07


Python最强的代理池,突破IP的封锁爬取海量数据(送项目源码)


一个强大到超乎你的想象的异步IP池项目

async-proxy-pool

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 )。编写了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。

入门Python其实很容易,但是我们要去坚持学习,每一天坚持很困难,我相信很多人学了一个星期就放弃了,为什么呢?其实没有好的学习资料给你去学习,你们是很难坚持的,这是小编收集的Python入门学习资料关注,转发,私信小编“01”,即可免费领取!希望对你们有帮助

Python最强的代理池,突破IP的封锁爬取海量数据(送项目源码)


•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

•使用API获取代理•

运行代码后,访问http://127.0.0.1:5000/进入主页,如果显示'Welcome',证明成功启动。

Python最强的代理池,突破IP的封锁爬取海量数据(送项目源码)

访问http://127.0.0.1:5000/get可以获取一个可用代理。

Python最强的代理池,突破IP的封锁爬取海量数据(送项目源码)

也可以在程序代码中用相应的语言获取,例如:

importrequestsfrombs4importBeautifulSoupimportlxmldefget_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。测试 http://127.0.0.1:3289/

$wrk-t12-c400-d30shttp://127.0.0.1:3289/Running30stest@http://127.0.0.1:3289/12threadsand400connectionsThreadStatsAvgStdevMax+/-StdevLatency34.63ms12.66ms96.28ms58.07%Req/Sec0.96k137.292.21k73.29%342764requestsin30.10s,49.69MBreadRequests/sec:11387.89Transfer/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

https://zhihu.com(测试知乎

测试代理:http://localhost:3289/get/20测试网站:https://zhihu.com测试次数:1000成功次数:1000失败次数:0成功率:1.0

可以看到其实性能是非常棒的,成功率极高。

• 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。如果没有的话就需要去付费购买,有了这个项目源码之后,就相当于每个月省了至少是一百多块钱。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,如果你学会了这个项目出去找工作竞争是十分大的。

相关新闻