Squid代理服务器搭建亿级爬虫IP代理池

我被狗咬了

发布于 2019-09-23 11:53:20

3.9K1

发布于 2019-09-23 11:53:20

文章被收录于专栏：Python乱炖Python乱炖

做爬虫抓取时，我们经常会碰到网站针对IP地址封锁的反爬虫策略。但只要有大量可用的IP资源，问题自然迎刃而解。

以前尝试过自己抓取网络上免费代理IP来搭建代理池，可免费IP质量参差不齐，不仅资源少、速度慢，而且失效快，满足不了快速密集抓取的需求。

收费代理提供的代理资源质量明显提升，最终选定使用站大爷作为代理提供平台。

站大爷每天能提供大概5万个不重复的短效高匿代理，每个代理存活期为2分钟，总IP数有20亿，IP数量足够使用。价格为包天30元，包月500元，还有半年及一年的套餐可供选择。只要能满足项目要求，提供优质稳定的服务，这些成本值得付出。

高匿代理才可以真正用来防止爬虫被封锁，如果使用普通代理，爬虫的真实IP还是会暴露。

搭建思路

站大爷提供了大量的代理服务器资源，主要考虑如何将这些服务器分配给爬虫服务器使用。最初的想法是使用Redis作为代理服务器资源队列，一个程序自动获取站大爷API提供的代理，验证可用后push到Redis里，每个程序再从Redis中pop一个代理进行抓取，但这样的缺点是不太好控制每台爬虫服务器的代理质量，有的代理速度快，有的速度比较慢，影响抓取效率，其次就是需要自行维护一套代理验证、分配的程序，增加了代码量，不便后期维护。

为了解决这些问题，我想到可以使用 Squid 提供的父代理功能，自动将爬虫服务器的请求转发给代理服务器。Squid提供了自动轮询功能，自动验证并剔除不可用的代理。减少了我们多余的验证步骤。

爬虫软件只需将代理设置为 Squid 服务器即可，不需要每次重新设置为其他的代理服务器。

这套方案明显减少了工作量，提高了易用性和可维护性。

实现过程

首先获取代理平台提供的代理服务器资源
- 建议购买短效代理，购买后在后台获取API地址并设置IP白名单等参数
将获取到的代理服务器写入squid配置文件
- 解析网站提供的代理服务器，按照一定规则写入 /etc/squid/squid.conf
重新配置 squid
- 写入配置文件之后重新加载最新的文件，不会造成中断
自动更新，重复1-3
- 由于网站提供的代理存活时间只有2分钟，所以需要每隔一段时间重新获取一批新IP

from gevent import monkey  # isort:skip
monkey.patch_all()  # isort:skip
import logging
import os
import time

import requests
from gevent.pool import Pool

logger = logging.getLogger(__name__)
logger.setLevel(logging.INFO)
formatter = logging.Formatter(
    "%(asctime)s - %(name)s - %(levelname)s: - %(message)s", datefmt="%Y-%m-%d %H:%M:%S"
)

# 使用StreamHandler输出到屏幕
ch = logging.StreamHandler()
ch.setLevel(logging.INFO)
ch.setFormatter(formatter)

logger.addHandler(ch)

# Squid的配置文件语法
# 将请求转发到父代理
PEER_CONF = "cache_peer %s parent %s 0 no-query weighted-round-robin weight=1 connect-fail-limit=2 allow-miss max-conn=5\n"
# 可用代理
GOOD_PROXIES = []

pool = Pool(50)


def check_proxy(proxy):
    """验证代理是否可用
    :param proxy list:[ip, port]"""
    global GOOD_PROXIES
    ip, port = proxy
    _proxies = {"http": "{}:{}".format(ip, port)}
    try:
        ip_url = "http://2019.ip138.com/ic.asp"
        res = requests.get(ip_url, proxies=_proxies, timeout=10)
        assert ip in res.content
        logger.info("[GOOD] - {}:{}".format(ip, port))
        GOOD_PROXIES.append(proxy)
    except Exception as e:
        logger.error("[BAD] - {}:{}, {}".format(ip, port, e))


def update_conf():
    with open("/etc/squid/squid.conf.original", "r") as F:
        squid_conf = F.readlines()
    squid_conf.append("\n# Cache peer config\n")
    for proxy in GOOD_PROXIES:
        squid_conf.append(PEER_CONF % (proxy[0], proxy[1]))
    with open("/etc/squid/squid.conf", "w") as F:
        F.writelines(squid_conf)


def get_proxy():
    global GOOD_PROXIES
    GOOD_PROXIES = []
    # 1. 获取代理IP资源
    api_url = "http://s.zdaye.com/?api=YOUR_API&count=100&fitter=1&px=2"
    res = requests.get(api_url).content
    if len(res) == 0:
        logger.error("no data")
    elif "bad" in res:
        logger.error("bad request")
    else:
        logger.info("get all proxies")
        proxies = []
        for line in res.split():
            proxies.append(line.strip().split(":"))
        pool.map(check_proxy, proxies)
        pool.join()
        # 2. 写入Squid配置文件
        update_conf()
        # 3. 重新加载配置文件
        os.system("squid -k reconfigure")
        logger.info(">>>> DONE! <<<<")


def main():
    start = time.time()
    while True:
        # 每30秒获取一批新IP
        if time.time() - start >= 30:
            get_proxy()
            start = time.time()
        time.sleep(5)


if __name__ == "__main__":
    main()

使用方法

按Squid 搭建正向代理服务器、Squid 配置高匿代理介绍的方法搭建运行 Squid 高匿服务器
备份原始配置文件cp /etc/squid/squid.conf /etc/squid/squid.conf.original，以供软件使用
在squid服务器上运行python zdy.py

实例

如果按照上述方法搭建好代理IP池，只需要在爬虫代码中设置设置squid代理服务器地址和端口（比如139.xxx.xxx.66:3188)。

from __future__ import print_function

import requests

s = requests.Session()
s.proxies.update({"http": "139.xxx.xxx.66:3188"})
print(s.get("http://httpbin.org/ip"))

每次运行这个程序时，返回的IP都不一样，而且仅有一个，说明IP代理池已经搭建成功，可以应用在网络爬虫项目中。