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
1.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
2.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
3.重新配置 squid
- 写入配置文件之后重新加载***的文件，不会造成中断
4.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
1.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
2.备份原始配置文件cp /etc/squid/squid.conf /etc/squid/squid.conf.original，以供软件使用
3.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。
总结
这套解决方案结合了网络上的大量优质代理资源以及Squid服务器提供的特性，基本解决了网站对于爬虫IP的封锁。
成本比较低，而且有比较高的易用性，很方便地能结合到各种爬虫应用中，只需要增加一个代理地址即可，而由 Squid 统一管理父代理，不需要在爬虫程序中进行代理的获取验证等等操作，便于维护。
实际使用中还没有发现什么特别重大的问题，更多扩展性还有待后续继续研究。
项目地址： https://github.com/xNathan/squid_proxy_pool
