python爬取代理ip（【Python】爬虫实战-基于代理池的高并发爬虫）

最近在写一个基于代理池的高并发爬虫    
    
    ，目标是用单机从某网站 API 爬取十亿级别的JSON数据  
    
    
。

代理池

有两种方式能够实现爬虫对代理池的充分利用：

搭建一个 Tunnel Proxy 服务器维护代理池 在爬虫项目内部自动切换代理

所谓 Tunnel Proxy 实际上是将切换代理的操作交给了代理服务器   


     


     


，很多市面上的代理软件都有此类功能

     


     


    。

如果要自行搭建可参考以下项目：

GitHub - urdr-gungnir/TunnelProxy

GitHub - pingc0y/go_proxy_pool

考虑到高并发



 




 




，在爬虫项目内部切换代理更加灵活一些 




 




 


。代理池选一个能用的就行：GitHub - jhao104/proxy_pool

记得加上匿名校验：能否设置代理池只获取高匿IP · Issue #169 · jhao104/proxy_pool · GitHub

代理切换策略

如果简单的在多线程中对每个 requests.get() 使用不同的代理   

   

   ，那么一定会遇到内存泄露的问题：

内存泄露问题 · Issue #522 · jhao104/proxy_pool · GitHub Requests memory leak · Issue #4601 · psf/requests · GitHub Memory Leak in Python requests - GeeksforGeeks

即便写成：

session = requests.session() response = session.get(url, headers=headers, proxies=proxies) response.close() session.close()

甚至在加上 gc.collect() 也无济于事  

   

   

。

因此需要控制创建 session 对象的数量    

     

     

，只在请求失败后切换代理和创建新的 session

     

     

   。

工作流程

① 主线程根据 URL 数量动态创建子进程




  




  




，虚线框内为子进程任务

② crawler_task 为线程任务  


  


  ，执行发送请求和解析JSON

插入策略

每个子进程维护一个 url_queue 和 insert_queue  




  




  

。

线程会从 url_queue 取出URL执行爬取任务     
     
     
，由于JSON数据占用的空间不大




   




   




，所以线程会先将每个 response 经过简单解析后存到列表中  


  


  


。

等到 url_queue 为空时（不要使用不安全的 queue.empty() 判断）
 



 



 ，get 方法会触发 Timeout 异常               ，然后线程会将列表插入到 insert_queue 中
     
     
  。

所有线程任务结束后 




    




    




，子进程再执行 executemany 将数据批量插入到 MySQL
   




   




   
。

其他

爬取JSON数据产生的流量不大











，但需要考虑 PPS（packet per second）               ，如果网络设施不到位的话可能严重影响爬取效率 



 



 



。

网络上获取的免费代理大多是透明代理  



     



     



，如果使用开源项目 Proxy_Pool 作为代理池并加入匿名校验












，可能会间歇性导致代理池没有可用代理            。（所以最好还是从一些网络空间测绘引擎上通过特征抓取）