Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/spiderclub/haipproxy

:sparkling_heart: High available distributed ip proxy pool, powerd by Scrapy and Redis
https://github.com/spiderclub/haipproxy

crawler distributed high-availability ipproxy redis scheduler scrapy spider

Last synced: about 2 months ago
JSON representation

:sparkling_heart: High available distributed ip proxy pool, powerd by Scrapy and Redis

Host: GitHub
URL: https://github.com/spiderclub/haipproxy
Owner: SpiderClub
License: mit
Created: 2017-09-16T07:14:27.000Z (about 7 years ago)
Default Branch: master
Last Pushed: 2022-12-26T11:50:58.000Z (over 1 year ago)
Last Synced: 2024-04-24T00:32:39.491Z (5 months ago)
Topics: crawler, distributed, high-availability, ipproxy, redis, scheduler, scrapy, spider
Language: Python
Homepage: https://spiderclub.github.io/haipproxy/
Size: 1.16 MB
Stars: 5,392
Watchers: 208
Forks: 917
Open Issues: 45
Metadata Files:
- Readme: README.md
- License: LICENSE

Awesome Lists containing this project

awesome-network-stuff - **4145**星

README

        # 高可用IP代理池

[README](README_EN.md)　｜　[中文文档](README.md)

本项目所采集的IP资源都来自互联网，愿景是为大型爬虫项目提供一个**高可用低延迟的高匿IP代理池**。

# 项目亮点

- 代理来源丰富

- 代理抓取提取精准

- 代理校验严格合理

- 监控完备，鲁棒性强

- 架构灵活，便于扩展

- 各个组件分布式部署

# 快速开始

注意，代码请在[release](https://github.com/SpiderClub/haipproxy/releases)列表中下载，**master**分支的代码不保证能稳定运行

## 单机部署

### 服务端

- 安装Python3和Redis。有问题可以阅读[这篇文章](https://github.com/SpiderClub/weibospider/wiki/%E5%88%86%E5%B8%83%E5%BC%8F%E7%88%AC%E8%99%AB%E7%8E%AF%E5%A2%83%E9%85%8D%E7%BD%AE)的相关部分。

- 根据Redis的实际配置修改项目配置文件[config/settings.py](config/settings.py)中的`REDIS_HOST`、`REDIS_PASSWORD`等参数。

- 安装[scrapy-splash](https://github.com/scrapy-plugins/scrapy-splash)，并修改配置文件[config/settings.py](config/settings.py)中的`SPLASH_URL`

- 安装项目相关依赖

  > pip install -r requirements.txt

- 启动*scrapy worker*，包括代理IP采集器和校验器

  > python crawler_booter.py --usage crawler

  > python crawler_booter.py --usage validator

- 启动*调度器*，包括代理IP定时调度和校验

  > python scheduler_booter.py --usage crawler

  > python scheduler_booter.py --usage validator

### 客户端

近日不断有同学问，如何获取该项目中可用的代理IP列表。`haipproxy`提供代理的方式并不是通过`api api`来提供，而是通过具体的客户端来提供。

目前支持的是[Python客户端](client/py_cli.py)和语言无关的[squid二级代理](client/squid.py)

#### python客户端调用示例 

```python3

from client.py_cli import ProxyFetcher

args = dict(host='127.0.0.1', port=6379, password='123456', db=0)

＃　这里`zhihu`的意思是，去和`zhihu`相关的代理ip校验队列中获取ip

＃　这么做的原因是同一个代理IP对不同网站代理效果不同

fetcher = ProxyFetcher('zhihu', strategy='greedy', redis_args=args)

# 获取一个可用代理

print(fetcher.get_proxy())

# 获取可用代理列表

print(fetcher.get_proxies()) # or print(fetcher.pool)

```

更具体的示例见[examples/zhihu](examples/zhihu/zhihu_spider.py)

#### squid作为二级代理

- 安装squid，备份squid的配置文件并且启动squid，以ubuntu为例

  > sudo apt-get install squid

  > sudo sed -i 's/http_access deny all/http_access allow all/g' /etc/squid/squid.conf

  > sudo cp /etc/squid/squid.conf /etc/squid/squid.conf.backup

  > sudo service squid start

- 根据操作系统修改项目配置文件[config/settings.py](config/settings.py)中的`SQUID_BIN_PATH`、`SQUID_CONF_PATH`、`SQUID_TEMPLATE_PATH`等参数

- 启动`squid conf`的定时更新程序

  > sudo python squid_update.py

- 使用squid作为代理中间层请求目标网站,默认代理URL为'http://squid_host:3128',用Python请求示例如下

  ```python3

  import requests

  proxies = {'https': 'http://127.0.0.1:3128'}

  resp = requests.get('https://httpbin.org/ip', proxies=proxies)

  print(resp.text)

  ```

   

## Docker部署

- 安装Docker

- 安装*docker-compose*

  > pip install -U docker-compose

- 修改[settings.py](config/settings.py)中的`SPLASH_URL`和`REDIS_HOST`参数

  ```python3

  # 注意，如果您使用master分支下的代码，这步可被省略

  SPLASH_URL = 'http://splash:8050'

  REDIS_HOST = 'redis'

  ```

- 使用*docker-compose*启动各个应用组件

  > docker-compose up

这种方式会一同部署`squid`，您可以通过`squid`调用代理IP池，也可以使用客户端调用，和单机部署调用方式一样

# 注意事项

- 本项目高度依赖Redis，除了消息通信和数据存储之外，IP校验和任务定时工具也使用了Redis中的多种数据结构。

如果需要替换Redis，请自行度量

- 由于*GFW*的原因，某些网站需要通过科学上网才能进行访问和采集，如果用户无法访问墙外的网站，请将[rules.py](config/rules.py)

`task_queue`为` SPIDER_GFW_TASK`和`SPIDER_AJAX_GFW_TASK`的任务`enable`属性设置为0或者启动爬虫的时候指定爬虫类型为`common`和

`ajax`

  > python crawler_booter.py --usage crawler common ajax

- 相同代理IP，对于不同网站的代理效果可能大不相同。如果通用代理无法满足您的需求，您可以[为特定网站编写代理IP校验器](https://github.com/SpiderClub/haipproxy/blob/master/docs/%E9%92%88%E5%AF%B9%E7%89%B9%E5%AE%9A%E7%AB%99%E7%82%B9%E6%B7%BB%E5%8A%A0%E6%A0%A1%E9%AA%8C%E5%99%A8.md)

# 工作流程

![](static/workflow.png)

# 效果测试

以单机模式部署`haipproxy`和[测试代码](examples/zhihu/zhihu_spider.py)，以知乎为目标请求站点，实测抓取效果如下

![](./static/zhihu.png)

测试代码见[examples/zhihu](examples/zhihu/zhihu_spider.py)

# 项目监控(可选)

项目监控主要通过[sentry](https://sentry.io/welcome/)和[prometheus](https://prometheus.io/),通过在关键地方

进行业务埋点对项目各个维度进行监测，以提高项目的鲁棒性

项目使用[Sentry](https://sentry.io/welcome/)作`Bug Trace`工具，通过Sentry可以很容易跟踪项目健康情况

![](./static/bug_trace.jpg)

使用[Prometheus](https://prometheus.io/)+[Grafana](https://grafana.com/)做业务监控，了解项目当前状态

![](./static/monitor.png)

# 捐赠作者

开源不易，如果本项目对您有用，不妨进行小额捐赠，以支持项目的持续维护

![](./static/donate.jpg)

# 同类项目

本项目参考了Github上开源的各个爬虫代理的实现，感谢他们的付出，下面是笔者参考的所有项目，排名不分先后。

[dungproxy](https://github.com/virjar/dungproxy)

[proxyspider](https://github.com/zhangchenchen/proxyspider)

[ProxyPool](https://github.com/henson/ProxyPool)

[proxy_pool](https://github.com/jhao104/proxy_pool)

[ProxyPool](https://github.com/WiseDoge/ProxyPool)

[IPProxyTool](https://github.com/awolfly9/IPProxyTool)

[IPProxyPool](https://github.com/qiyeboy/IPProxyPool)

[proxy_list](https://github.com/gavin66/proxy_list)

[proxy_pool](https://github.com/lujqme/proxy_pool)

[ProxyPool](https://github.com/fengzhizi715/ProxyPool)

[scylla](https://github.com/imWildCat/scylla)