您的位置：首页 > 新闻资讯 > 正文

使用高质量代理ip设计分布式爬虫的一些思路

发布时间：2019-04-16 16:17:48 来源：互联网

使用高质量代理ip设计分布式爬虫的一些思路！假如不用代理ip，爬虫业务必定无路可行，因此大部分爬虫工作者都会去购买安全稳定的代理ip。使用了高质量的代理ip后，会不会就能够无后顾之忧了呢？这个可不会这么容易，还要改进方案，有效分配资源，提升工作效率，又快速又稳定又高效的完成爬虫。

　　方案一、每个进程从接口API中随机取一个IP列表来反复使用，失效后再调用API获取，大致逻辑是这样：

　　1、每个进程，从接口随机取回一批ip回来，反复试着ip目录去抓取数据；

　　2、要是访问成功，则继续抓取下一条。

　　3、要是失败了，再从接口取一批IP，继续尝试。

　　方案弊端：每个IP都是有期限的，要是提取了一百个，用到第二十个时，或许剩下的大多数都无法使用了。要是设置HTTP请求时连接时间超时是3秒，读取时间超时是5秒，那么或许会耗费3-8秒的时间，在这3-8秒内可能抓取了几百次了。

　　方案二：每个进程从接口API中随机取一个IP来使用，失败则再调用API获取一个IP，大致逻辑如下：

　　1、每个进程，从接口随机取回一个ip来，用这个ip来浏览资源，

　　2、要是访问成功，则继续抓下一条。

　　3、要是失败了，再从接口随机取一个IP，继续尝试。

　　方案缺点：调用API获取IP的行为非常频繁，会对代理服务器造成特别大的压力，影响API接口稳定，可能会被限制提取。这类方案也不适合，无法持久稳定的运行。

　　方案三：先提取大量IP导入本地数据库，从数据库里面取IP，大致逻辑如下：

　　1、在数据库里面建一个表，写一个导入脚本，每分钟请求多少次API（黑洞代理ip），把IP列表导入到数据库里面。

　　2、在数据库里面记录好导入时间、IP、Port、过期时间、IP可用状态等字段；

　　3、写一个抓取脚本，抓取脚本从数据库里面读取可用IP，每个进程从数据库获取一个IP进行使用。

　　4、执行抓取，对结果进行判断，处理cookie等，只要出现验证码或者失败就放弃这个IP，重新换一个IP。

　　这种方案有效的避开了代理服务器资源的消耗，有效的分配代理IP的使用，更加的高效和稳定，保障了爬虫工作的持久性和稳定性。