网络资讯

目标网络完善的客服机制,能快速解决您的疑问。


分布式代理IP池的构建

2019-06-14 16:38:30   来源:   点击:
  分布式代理IP池的构建,很多人都尝试自己去构建的这个动态VPN的,只是由于获取的都是免费的代理IP,其代理IP池的效果不明显。今天我们就一起去看看这个分布式代理IP池的构建吧。

 

  基于Scrapy和Redis的分布式爬虫,用作IP抓取和校验,对应于项目的crawler

 

  基于Redis实现的分布式任务调度工具,对应于项目的scheduler和redis_util.py

 

  Crawler分为代理抓取和校验,两者实现思想类似,主要使用Scrapy的spider_idle信号和DontCloseSpider异常来阻止Scrapy在没有数据的时候关闭,灵感来自scrapy-redis。为了方便阐述,我画了一张包含各个组件的流程图,如下

 

分布式代理IP池的构建

 

  启动调度器,包括代理爬虫调度器和校验爬虫调度器。调度器会读取rules.py中待抓取的网站,将其编排成任务存入各个任务队列中

 

  启动各个爬虫,包括IP抓取和校验程序。项目中爬虫和调度器都是高可用的,可以根据实际情况进行分布式部署,无需改动代码。由于本文的目标不是写成该项目的详细使用文档,所以省略了如指定启动爬虫类型和调度器类型的介绍

 

  代理IP采集爬虫启动后会到对应的任务队列中获取任务并执行,再把获取到的结果存入一个init队列中

 

  init队列由一个特殊的校验器HttpbinInitValidator进行消费,它会过滤掉透明代理,再把可用代理输入各个Validated队列中

 

  调度器会定时从Validated队列中获取代理IP,再将其存入一个临时的队列。这里用一个临时队列是为了让校验更加公平,如果直接从Validated队列中获取资源进行校验,那么会增大不公平性

 

  这时候各个校验器(非init校验器)会从对应的临时队列中获取待校验的IP并对其进行校验,此处省略校验细节

 

  校验完成后再将其放回到Validated队列中,等待下一轮校验

 

  请求成功率(体现为分数)、响应速度和最近校验时间满足settings.py所配置要求的代理IP将会被爬虫客户端所消费

 

  为了屏蔽各个调用语言的差异性,目前实现的客户端是squid客户端,它可以作为爬虫客户端的中间件

 

  到此,分布式代理IP池的构建整个流程便完了。

 

  如果平时的部分工作需要和爬虫打交道,代理IP在有的时候可以发挥非常重要的作用,调研过一些开源的代理IP采集程序,发现在抓取、解析、校验、资源调度等这些方面总有一些不尽人意的地方。可以使用代理IP商的IP池,比如机灵代理的。

上一篇:提供免费代理IP的渠道
下一篇:遇到封IP用代理ip访问

桂ICP备19002340号-2
目标互联网络仅提供加速技术服务,用户使用目标互联网络从事的任何行为均不代表目标动态IP加速器的意志和观点,与目标互联网络的立场无关。 严禁用户使用目标动态IP加速器从事任何违法犯罪行为,产生的相关责任用户自负,对此目标动态IP加速器不承担任何法律责任。 目标公司保留公司所有权利

庆祝双11优惠活动,99元200多地区每月独享动态线路,买2送1。
点击立刻咨询 点击立刻咨询 点击立刻咨询