ProxyPool – 自动化代理池,爬取代理IP并进行测速筛选

  • 发表于
  • 安全工具
  • 1.10k 阅读

ProxyPool介绍

ProxyPool是一个小巧的代理ip抓取+评估+存储+展示的一体化的工具,可自动化的搜集检测可用代理并进行评分,并添加了web展示和API接口。可视为小型的代理池

ProxyPool功能

  • 每天从多个代理ip网站上抓下最新高匿ip数据。
  • 经过筛选后的ip将存入数据库。
  • 存入数据库的ip每天也要经过测试,存在剔除、评分机制,多次不合格的ip将被删除,每个ip都被评分,我们最终可以按得分排名获得稳定、低响应时间的优质ip。
ProxyPool - 自动化代理池,爬取代理IP并进行测速筛选

ProxyPool安装

mysql创建数据库proxy,导入proxy.sql,include/config.inc.php中修改数据库密码。

安装python2依赖库

在py_proxy_task/config.py文件中配置数据库连接信息及其他参数。

ProxyPool使用

在py_proxy_task目录下有proxy_get.pyproxy_check.py两个程序,前者负责每天抓ip存进数据库,后者负责数据库中ip的清理和评估。

之后按默认配置,这两个程序每天分别执行抓取和评估工作,放服务器上长期运行即可。

ProxyPool使用代理Demo

python

详见crawl_demo.py。

ProxyPool参数设置

在py_proxy_task/config.py文件可进行代理评估参数的设置。

除数据库配置参数外,主要用到的几个参数说明如下:

  • USELESS_TIMESUCCESS_RATE是配合使用的,当某个ipUSELESS_TIME < 4 && SUCCESS_RATE < 0.8时(同时兼顾到ip短期和长期的检测表现),则剔除该ip。
  • TIME_OUT_PENALTY, 当某个ip在某次检测时失效,而又没有达到上一条的条件时(比如检测了100次后第一次出现超时),设置一个response_time的惩罚项,此处为10秒。
  • CHECK_TIME_INTERVAL, 检测周期。此处设置为每隔12小时检测一次数据库里每一个ip的可用性。

ProxyPool策略

  • 每天如下5个代理ip网站上抓下最新高匿ip数据:
    • mimi
    • 66ip
    • xici
    • cn-proxy
    • kuaidaili
  • N轮筛选
    • 收集到的ip集合将经过N轮,间隔为t的连接测试,对于每一个ip,必须全部通过这N轮测试才能最终进入数据库。如果当天进入数据库的ip较少,则暂停一段时间(一天)再抓。
  • 数据库中ip评价准则
    • 检测过程中累计超时次数>USELESS_TIME&&成功率<SUCCESS_RATE就被剔除。
      score = (success_rate + test_times / 500) / avg_response_time
      原来的考虑是score = success_rate / avg_response_time, 即:评分=成功率/平均响应时间, 考虑到检测合格过100次的老ip比新ip更有价值,检测次数也被引入评分。

代理池是我们项目中常见的需求,自己维护代理池可省下一些费用,但需投入更多的维护成本。

标签: , ,