使用 scrapy 爬虫抓取代理网站，获取大量的免费代理 ip。过滤出所有可用的 ip，存入数据库以备使用。 可以访问我的个人站点，查看我的更多有趣项目 awolfly9
感谢 youngjeff 和我一起维护该项目
python 2.7.12
- scrapy
- BeautifulSoup
- requests
- pymysql
- web.py
- scrapydo
- lxml
- pymongo
- 安装 mysql 并启动
安装命令：
$ pip install Scrapy BeautifulSoup requests pymysql web.py scrapydo lxml
将项目克隆到本地
$ git clone https://github.com/awolfly9/IPProxyTool.git
进入工程目录
$ cd IPProxyTool
修改 mysql 数据库配置 config.py 中 database_config 的用户名和密码为数据库的用户名和密码
$ vim config.py
---------------
database_config = {
'host': 'localhost',
'port': 3306,
'user': 'root',
'password': '123456',
'charset': 'utf8',
}
运行启动脚本 ipproxytool.py 也可以分别运行抓取，验证，服务器接口脚本，运行方法参考项目说明
$ python ipproxytool.py
所有抓取代理网站的代码都在 proxy
1.在 proxy 目录下新建脚本并继承自 BaseSpider
2.设置 name、urls、headers
3.重写 parse_page 方法，提取代理数据
4.将数据存入数据库 具体可以参考 ip181 kuaidaili
5.如果需要抓取特别复杂的代理网站，可以参考peuland
可以单独运行 run_crawl_proxy.py 脚本开始抓取代理网站
$ python run_crawl_proxy.py
目前验证方式：
1.从上一步抓取并存储的数据库中取出所有的代理 IP
2.利用取出的代理 IP 去请求 httpbin
3.根据请求结果判断出代理 IP 的有效性，是否支持 HTTPS 以及匿名度，并存储到表 httpbin 中
4.从 httpbin 表中取出代理去访问目标网站，例如 豆瓣
5.如果请求在合适的时间返回成功的数据，则认为这个代理 IP 有效。并且存入相应的表中
一个目标网站对应一个脚本，所有验证代理 ip 的代码都在 validator
1.在 validator 目录下新建脚本并继承 Validator
2.设置 name、timeout、urls、headers
3.然后调用 init 方法,可以参考 baidu douban
4.如果需要特别复杂的验证方式，可以参考 assetstore
可以单独运行 run_validator.py 开始验证代理ip的有效性
$ python run_validator.py
在 config.py 中修改启动服务器端口配置 data_port，默认为 8000 启动服务器
$ python run_server.py
服务器提供接口
http://127.0.0.1:8000/select?name=httpbin&anonymity=1&https=yes&order=id&sort=desc&count=100
参数
| Name | Type | Description | must |
|---|---|---|---|
| name | str | 数据库名称 | 是 |
| anonymity | int | 1:高匿 2:匿名 3:透明 | 否 |
| https | str | https:yes http:no | 否 |
| order | str | table 字段 | 否 |
| sort | str | asc 升序，desc 降序 | 否 |
| count | int | 获取代理数量，默认 100 | 否 |
http://127.0.0.1:8000/delete?name=httpbin&ip=27.197.144.181
参数
| Name | Type | Description | 是否必须 |
|---|---|---|---|
| name | str | 数据库名称 | 是 |
| ip | str | 需要删除的 ip | 是 |
参数
| Name | Type | Description | 是否必须 |
|---|---|---|---|
| name | str | 数据库名称 | 是 |
| ip | str | ip 地址 | 是 |
| port | str | 端口 | 是 |
| country | str | 国家 | 否 |
| anonymity | int | 1:高匿,2:匿名,3:透明 | 否 |
| https | str | yes:https,no:http | 否 |
| speed | float | 访问速度 | 否 |
| source | str | ip 来源 | 否 |
- 添加多数据库支持
- mysql
- redis TODO...
- sqite TODO...
- 添加抓取更多免费代理网站，目前支持的抓取的免费代理 IP 站点，目前有一些国外的站点连接不稳定
- (国外) http://www.freeproxylists.net/
- (国外) http://gatherproxy.com/
- (国内) https://hidemy.name/en/proxy-list/
- (国内) http://www.ip181.com/
- (国内) http://www.kuaidaili.com/
- (国外) https://proxy.peuland.com/proxy_list_by_category.htm
- (国外) https://list.proxylistplus.com/
- (国内) http://m.66ip.cn
- (国外) http://www.us-proxy.org/
- (国内) http://www.xicidaili.com
- 分布式部署项目
添加服务器获取接口更多筛选条件多进程验证代理 IP添加 https 支持添加检测 ip 的匿名度
-----------------------------2017-5-17----------------------------
1.本系统在原来的基础上加入了docker。操作见下方，关于docker的相关知识可以上官网看看http://www.docker.com.
-----------------------------2017-3-30----------------------------
1.修改完善 readme
2.数据插入支持事务
-----------------------------2017-3-14----------------------------
1.更改服务器接口，添加排序方式
2.添加多进程方式验证代理 ip 的有效性
-----------------------------2017-2-20----------------------------
1.添加服务器获取接口更多筛选条件
-----------------------------2017-2-16----------------------------
1.验证代理 IP 的匿名度
2.验证代理 IP HTTPS 支持
3.添加 httpbin 验证并发数设置，默认为 4
下载本程序
git clone https://github.com/awolfly9/IPProxyTool
然后进入目录：
cd IPProxyTool
创建镜像：
docker build -t proxy .
运行容器：
docker run -it proxy
database_config = {
'host': 'localhost',
'port': 3306,
'user': 'root',
'password': 'root',
'charset': 'utf8',
}