qq：800819103
在线客服，实时响应
qq群
在线客服，实时响应
客服电话
13318873961分布式ip代理池，可用率超高，赶快试试吧！历时大致两个月，到现在终于完成了高可用分布式代理IP池(https://github.com/SpiderClub/haipproxy)，目前开源在了Github上。写这个项目的原因主要有两点，一是本人平时的部分工作需要和网络爬虫打交道，代理IP在有的时候还可以发挥非常重要的作用，调研过一些开源的代理IP采集程序，发现在爬取、解析、校验、资源调度等这些方面总有一些不尽人意的地方;二是和一个网友(不严格的说算得上是伯乐)的交流让小编有了关于使用Scrapy来写分布式网络爬虫的一些想法，正好还可以借助这个机会来尝试证实这些想法。
架构设计
这篇文章的目的是阐述haipproxy的主要架构和流程。该项目模块是
基于Scrapy和Redis的分布式网络爬虫，用作IP爬取和校验，对应于项目的crawler
基于Redis实现的分布式任务调度工具，对应于项目的scheduler和redis_util.py
Crawler分为代理爬取和校验，两者实现思想类似，主要使用Scrapy的spider_idle信号和DontCloseSpider异常来阻止Scrapy在没有数据的时候关闭，灵感来自scrapy-redis(https://github.com/rmax/scrapy-redis)。
启动调度器，包括代理网络爬虫调度器和校验网络爬虫调度器。调度器会读取rules.py中待爬取的网站，将其编排成任务存入各个任务队列中
启动各个网络爬虫，包括IP爬取和校验程序。项目中网络爬虫和调度器都是高可用的，还可以根据实际情况进行分布式部署，无需改动代码。由于本文的目标不是写成该项目的详细使用文档，所以省略了如指定启动网络爬虫类型和调度器类型的介绍
代理IP采集网络爬虫启动后会到对应的任务队列中获取任务并执行，再把获取到的结果存入一个init队列中
init队列由一个特殊的校验器HttpbinInitValidator进行消费，它会过滤掉透明代理，再把可用代理输入各个Validated队列中
调度器会定时从Validated队列中获取代理IP，再将其存入一个临时的队列。这里用一个临时队列是为了让校验更加公平，如果直接从Validated队列中获取资源进行校验，那么会增大不公平性
这时候各个校验器(非init校验器)会从对应的临时队列中获取待校验的IP并对其进行校验，此处省略校验细节
校验完成后再将其放回到Validated队列中，等待下一轮校验
请求成功率(体现为分数)、响应速度和最近校验时间满足settings.py所配置要求的代理IP将会被网络爬虫客户端所消费
为了屏蔽各个调用语言的差异性，目前实现的客户端是squid客户端，它还可以作为网络爬虫客户端的中间件
到此，整个流程便完了。
相关文章内容简介
1 分布式ip代理池，可用率超高，赶快试试吧！
分布式ip代理池，可用率超高，赶快试试吧！历时大致两个月，到现在终于完成了高可用分布式代理IP池(https://github.com/SpiderClub/haipproxy)，目前开源在了Github上。写这个项目的原因主要有两点，一是本人平时的部分工作需要和网络爬虫打交道，代理IP在有的时候还可以发挥非常重要的作用，调研过一些开源的代理IP采集程序，发现在爬取、解析、校验、资源... [阅读全文]
最新标签
推荐阅读
22
2019-04
怎么在火狐浏览器上设置代理IP?
首先我们先从极光爬虫代理网站上提取IP。
04
2019-02
爬虫怎么才可以高效安全地采集数据？
从网络开始的那一刻起，爬虫肩负着她的使命，数据收集！特别是在大数据时代，越来越多的企业认识到数据的重要性，但是想要在哪些网站抓取数据并不容易的，需要突破一些反爬虫的限制，
07
2019-05
代理IP如何实现改变你的IP地址的？
这是正确的，有一个身份盗窃事件的现象，以及每个人在上网时应该留意的其他条件。采取必要的预防措施，并建议在线冲浪者在付款时更加不可靠。因此，如果您决定保持较高的学位，我们现
07
2019-05
代理IP为你预订更便宜的航班
出国旅行可能是您可以做的最愉快的事情之一。但是，它也可能是您可以做的最昂贵的事情之一，特别是如果您在很远的地方旅行。
热门文章
