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。
####个人项目欢迎加微信吐槽
##运行环境 python 2.7.12
###运行依赖包
- scrapy
- BeautifulSoup
- requests
- mysql-connector-python
- web.py
- scrapydo
- lxml
###Mysql 配置
- 安装 Mysql 并启动
- 安装 mysql-connector-python 安装参考
- 在 config.py 更改数据库配置
database_config = {
'host': 'localhost',
'port': 3306,
'user': 'root',
'password': '123456',
}
##下载使用 将项目克隆到本地
$ git clone https://github.com/awolfly9/IPProxyTool.git
进入工程目录
$ cd IPProxyTool
分别运行代理抓取、验证、服务器 脚本
$ python runspider.py
$ python runvalidator.py
$ python runserver.py
##项目说明
####抓取代理网站
所有抓取代理网站的代码都在 proxy
#####扩展抓取其他的代理网站
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
#####修改 runspider.py 导入抓取库，添加到抓取队列
运行 runspider.py 脚本开始抓取代理网站
$ python runspider.py
####验证代理 ip 是否有效
目前验证方式：利用将抓取到的代理 ip 设置成 scrapy 请求的代理，然后去请求目标网站，如果目标网站在合适的时间内成功返回，那么这个则认为这个代理 ip 有效。如果没有在合适的时间返回成功的数据，则认为这个代理 ip 无效。
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
#####扩展验证其他网站
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
4.如果需要特别复杂的验证方式，可以参考 assetstore
#####修改runvalidator.py 导入验证库，添加到验证队列
运行 runvalidator.py 脚本开始抓取代理网站
$ python runvalidator.py
###获取代理 ip 数据服务器 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 runserver.py
服务器提供接口 ####获取 http://127.0.0.1:8000/select?name=douban
参数
| Name | Type | Description |
|---|---|---|
| name | str | 数据库名称 |
####删除 http://127.0.0.1:8000/delete?name=free_ipproxy&ip=27.197.144.181
参数
| Name | Type | Description |
|---|---|---|
| name | str | 数据库名称 |
| ip | str | 需要删除的 ip |
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 |
##TODO
- 添加服务器获取接口更多筛选条件
- 添加 https 支持
- 添加检测 ip 的匿名度
- 添加抓取更多免费代理网站
- 分布式部署项目
##参考