如何搭建一个爬虫代理服务？
由于之前一直在做爬虫采集相关的开发，这个过程那肯定少不了跟「代理 IP」打交道，这篇文章就来记录一下，如何实现一个爬虫代理服务，本篇文章主要以讲解思路为主。
起因
做过爬虫的人应该都知道，抓的网站和数据多了，如果爬虫抓取速度过快，免不了触发网站的防爬机制。而这些网站应对爬虫的办法，几乎用的同一招就是封 IP 。
那么我们还想稳定、持续地抓取这些网站的数据，如何解决呢？一般解决方案有 2 个：
使用同一个服务器 IP 抓取网站数据，但是放慢速度
使用多个代理 IP 抓取数据
第一种方案牺牲的是时间和速度，但是一般情况下我们的时间是很宝贵的，理想情况下是，用最短的时间获取最多的数据。所以第二种方案是推荐的，那么从哪里可以找到这么多代理 IP 呢？
寻找代理
最直接地，使用搜索引擎去检索。
例如使用 Google、Bing、百度，输入关键字：免费代理 IP，前几页几乎都是提供代理 IP 的网站，逐个打开后观察可以发现，几乎都是一个列表页，这个列表页展示的代理 IP 少则几十个、多则几百个。
但是仔细观察你就会发现，每个网站提供的免费 IP 是有限的，而且拿来用之后你就会发现，有的也已经失效了。毕竟，人家更倾向于你购买他们的付费代理 IP。
身为狡猾的程序猿，当然不能因为这点困难就退缩了。仔细想一下，既然搜索引擎能搜到这么多提供代理的网站，每个网站提供几十或几百个代理 IP，假如有 10 家代理网站，那加在一起也有几百到几千个了。
那么很简单，你要做的事情就是，把这些提供代理 IP 的网站收集起来，写一个采集程序把这些免费代理 IP 抓过来就好了，想想是不是很简单？
测试代理
好了，通过刚才的思路，你可以编写一个采集代理 IP 的程序，然后就可以拿到成百上千的代理 IP 了。当然，收集的代理网站越多，采集到的代理 IP 也就越多，所以我们尽量多收集一些代理网站，越多越好。
等等，这么多代理 IP ，难道别人真的就免费送给你了吗？
当然不是，前面也提到过，这些代理中，有很大一部分已经是失效的了。那怎么办？如何知道哪些代理是有效，哪些是不可用的呢？
很简单，写一个 HTTP 程序，挂上这些代理，访问某一个稳定的网站，然后看是否能正常访问，如果可以正常访问，那么代理 IP 就是可用的，访问失败则说明代理 IP 已失效。
最简单地，我们可以使用 curl 命令就可以测试一个代理是否真的可用：
当然，这种方式只是为了演示方便，实际最好的方式是：编写一个多线程的代理测试程序，然后分别使用这些代理去访问某个网站，根据访问的结果，最终就可以输出一批可用的代理 IP。
使用代理
通过编写测试代理 IP 的程序，我们就可以找出可用的代理了。
接下来，如何使用也就变得很简单了。
例如，我们把刚才得到的可用代理 IP 输出到一个文件中，每一行是一个 IP，那么我们的程序就可以这样使用：
程序读取代理文件，加载代理列表到数组中
从数组中随机选择一个代理 IP，发起 HTTP 请求
这样下来，如果可用的代理 IP 稳定在几百上千个，基本上可以保持一段时间抓取某个网站的数据了，一般来说，抓个几千几万条数据不成问题。
但是，如果我想持续不断地从某个网站采集数据，或者是抓取上百万甚至上亿的网页数据，这一批代理 IP 还是有可能逐渐都失效的。这种情况下怎么办呢？
持续不断供应代理
使用刚才的方式，抓取一批代理网站，然后通过测试程序输出可用的代理 IP 列表，但是这只是一次性的，而且代理 IP 的数量往往很少，在我们的持续采集需求中，肯定无法满足需要。那么怎么才能持续不断的找到可用代理 IP 呢？
依据前面所说的方法，我们可以这样优化：
收集更多的代理 IP 网站（数据基础）
定时监控这些网站，采集代理 IP 列表
程序自动检测代理 IP 可用性，输出可用代理 IP（文件或数据库）
程序加载文件或数据库，随机选取代理 IP 发起 HTTP 请求
按照这种优化思路，我们可以写出一个自动采集代理 IP 的程序。这样我们的爬虫端就可以定时去文件/数据库中获取可用的代理 IP 使用。
但是有一个小问题，怎样知道每个代理 IP 的质量如何？也就是说，每个代理 IP 的速度怎么样？
我们在测试代理 IP 的可用性时，可以记录访问网站请求响应时间，这个响应时间就是代理 IP 的质量。响应时间越短，说明代理 IP 的质量越高。
有了代理 IP 的质量后，我们在使用这些代理 IP 时，就可以优先使用质量高的，提高我们爬虫抓取网页的成功率。
但是也不能一直频繁使用这些高质量的代理 IP，否则对方网站会很快把这些 IP 封禁掉。那如何应对呢？
我们继续优化，在使用代理 IP 时，我们可以限制某短时间内同一个 IP 的使用次数，例如 5 分钟内同一个代理 IP 只允许使用 10 次，如果超过使用次数了，再随机选取其他代理 IP 使用。
这样既然保证我们的抓取质量，也能保证代理 IP 不会因为短时间内大量使用而被封禁。
服务化
经过前面一系列的优化，我们已经搭建好一个可用的代理服务，只不过是基于文件或数据库的。
爬虫端要想使用这些代理，只能是读取文件或数据库，然后根据某种规则选择代理 IP 使用，这样做比较繁琐，能不能让爬虫端使用代理变得简单一些？此时我们就需要把代理访问做成服务化。
有个大名鼎鼎的服务器软件 squid，它是一个正向代理软件。利用它的 cache_peer 机制，就可以帮这个事情做得很好。
我们可以把可用的代理 IP 列表，根据 squid 的 cache_peer 规则，按照一定格式，写在它配置文件中即可。而且 cache_peer 配置文件规则，也支持设置每个代理 IP 的使用权重、最大使用次数，也就是说 squid 可以根据配置，自动地调度、选择我们的代理 IP。
配置完成后，启动 squid，我们就可以通过 squid 的这一个端口来使用配置好的代理 IP 了。
假设我们的爬虫部署在 A 服务器，squid 部署在 B 服务器，需要爬取的网站服务器是 C，而我们的代理 IP 是 D/E/F。
不使用代理时：爬虫服务器 A 直接请求网站服务器 C
正常使用代理时：爬虫服务器 A，通过设置代理 IP D / E / F，请求网站服务器 C
使用
squid时：爬虫服务器 A，通过部署在服务器 B 的squid的cache_peer机制，自动调度代理 IP D / E / F，最终访问网站服务器 C
可见，使用 squid 的好处是：爬虫端不用考虑如何加载和选择代理，只需要把代理 IP 列表按照配置文件的规则，配置到 squid 中，squid 就可以帮我们管理和选择代理。最重要的是，爬虫端使用代理只需配置 squid 的这一个端口就可以了！
整合
好了，现在服务化也搭建完成了，唯一还差的一步就是整合，我们把整个过程梳理一下：
1、收集尽可能多的代理网站，使用采集代理 IP 程序定时采集代理网站（30 分/1 小时都可），解析出所有代理 IP，写入数据库
2、代理测试程序从数据库中取出所有代理 IP，然后挂上代理，访问某个稳定的网站，根据访问结果，在数据库中标记代理是否可用，同时，也在数据库中记录访问网站的响应时间
3、写一个程序，从数据库中加载出所有可用代理，根据代理响应时间，计算一个使用权重和设置好最大使用次数，按照 cache_peer 格式写入到 squid 的配置文件中
4、写一个程序或脚本，触发自动重新加载 squid 配置文件，让 squid 加载最新的代理 IP 列表
5、定时重复 1-4，不断输出可用代理到 squid 中
6、爬虫指定 squid 的服务 IP 和端口，进行纯粹的网站采集操作
通过以上方式，一个完整的代理服务就可以搭建完成，而且这个代理服务可以定时输出保证质量的代理 IP。爬虫端不用关心代理的采集和测试，只管使用 squid 的统一服务入口爬取数据即可。
以上只是提供一个代理服务搭建的设计思路，有了思路之后，剩下写代码实现就变得比较简单了。
爬虫系列文章：
我的 Python 进阶系列文章：
关注「水滴与银弹」公众号，第一时间获取优质技术干货。7 年资深后端研发，用简单的方式把技术讲清楚。
版权声明: 本文为 InfoQ 作者【Kaito】的原创文章。
原文链接:【http://xie.infoq.cn/article/3308c99c4fa88bf1d537a8443】。文章转载请联系作者。
公众号「水滴与银弹」，不一样的技术视角。 2017.11.17 加入
坐标北京，7年资深后端研发，从事基础架构和数据库中间件研发。擅长把晦涩难懂的技术，用简单的方式讲清楚。
评论