IPProxyTool

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

个人项目欢迎加微信吐槽

如果在使用中有任何疑问，或者项目中有任何槽点你觉得不满意都可以加我微信向我吐槽。不吐不快~

运行环境

python 2.7.12

运行依赖包

• scrapy
• BeautifulSoup
• requests
• pymysql
• web.py
• scrapydo
• lxml
• 安装 mysql 并启动

安装命令：

$ pip install Scrapy BeautifulSoup requests pymysql web.py scrapydo lxml

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

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

如果更新后运行报错，请先删除本地数据库。

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

可以单独运行 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：
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

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,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

修改runvalidator.py 导入验证库，添加到验证队列

可以单独运行 runvalidator.py 开始验证代理ip的有效性

$ python runvalidator.py

获取代理 ip 数据服务器接口

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=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

删除

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

插入

http://127.0.0.1:8000/insert?name=httpbin&ip=555.22.22.55&port=335&country=%E4%B8%AD%E5%9B%BD&anonymity=1&https=yes&speed=5&source=100

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

参考

• IPProxyPool

项目更新

-----------------------------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