[开源] 基于 Tornado 和 Scrapy 的高性能代理池

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

爱意满满的作品展示区。

这是一个创建于 2339 天前的主题，其中的信息可能已经有所发展或是发生改变。

花一周的时间初步完成了这个项目…… Github 上好像没有几个（我只找到了一个= =）把 Tornado 和 Scrapy 结合到一起的项目

支持的特性包括：

设定数目，持续从网上爬取新的免费代理，检测可用后存入本地数据库
完全异步，支持高并发（从免费的基础上去衡量……）
通过调用 HTTP API 来获取代理，后面有时间会增加前端控制页面
周期性自检，更新可用代理

项目地址： https://github.com/Karmenzind/fp-server

关于代理可用性

爬虫爬取代理时会先检测可用性（包括速度和匿名性），检测完毕后才会入库，不可用的直接抛弃，所以可以安心使用。至于代理性能，我后面会对检测方式进行优化。

关于可存储代理数目

我暂时没有做限制，写这个文章的时候，我本地有一万个活动（可用的）代理。我没有继续爬，因为目前代理来源只有四个，潜力有限。假如有人用的话，后面我会持续增加代理来源。

在 Scrapy 项目中使用

我写了一个可以直接用在 Scrapy 项目里的 middleware。后面有空我会写更多示例代码。

环境要求

项目是在 Archlinux 上开发的，已经测试通过的环境如下：

Archlinux; Python-3.6.5
Debian(wsl); Python-3.5.3
macOS 10; Python-3.6.5

代码暂时不支持直接在 Windows 上运行，我已經打包好了 Docker 镜像，Windows 用户可以使用 Docker 部署。

推荐 Unix/Linux 用户也使用 Docker 部署，这样是最简单的。

更详细的介绍和使用方法见项目 README。

欢迎提 Bug 和意见给我。

第 1 条附言 · 2018-06-20 20:23:25 +08:00

这个服务抓下来代理之后，会基于你的本地网络对代理进行检测（代码戳这里），检测通过后才会入库，而且会周期性自检更新。

目前检测方法还有待优化，但是基本能够保证抓下来的代理都是可用的。当然这个“可用”需要结合“免费”这个前提来看，速度肯定和花钱买的代理没法比……

另外这个项目刚写了一个星期，commits一共二十多条，大家轻喷哈哈哈，我慢慢改进……

代理

Scrapy

Python

Docker

21 条回复 • 2018-06-26 11:01:39 +08:00

chroming

2018-06-20 19:21:11 +08:00 via Android

为啥用 tornado 做 server, tornado 相比 sanic 有什么优势吗？

golmic

2018-06-20 19:24:20 +08:00 via Android

这里有我群里大家贡献的近 20 个代理网站的解析，也是 scrapy 写的

https://github.com/lujqme/proxy_pool

kmz

2018-06-20 19:25:04 +08:00

@chroming 额，，，优势是我用过，，，我去了解一下你说的 sanic

kmz

2018-06-20 19:26:17 +08:00

@golmic 我这个不只是爬虫，还是个 web 服务，爬取和更新都是完全自动的
谢谢你发这个，收藏了～

golmic

2018-06-20 19:31:01 +08:00 via Android

@kmz 我看你说代理来源有限，就给你贡献一下..哈哈，你可以抓下来之后用你的项目处理或者结合一下

kmz

2018-06-20 19:36:31 +08:00

@golmic 恩恩感谢～～

kingname

2018-06-20 19:44:48 +08:00

大家可以看看 https://github.com/imWildCat/scylla
比楼主这个好用的多。

chroming

2018-06-20 19:52:31 +08:00

@kmz #3 我也只是简单用了下 tornado 和 sanic，发现 sanic 的接口友好得多

kmz

2018-06-20 19:54:04 +08:00

@kingname
哈哈哈，我刚写了一个星期，支持一下嘛
你发的这个 commits 数量都是我这个的二十倍了……

kmz

2018-06-20 19:57:39 +08:00

@chroming 恩恩

kingname

2018-06-20 20:08:50 +08:00 via iPhone

@kmz 这种到处抓免费代理的代理池，可用率不超过 30%。还是自己搭建比较好。

kmz

2018-06-20 20:11:16 +08:00

@kingname
我这个服务抓下来代理之后，会基于你的本地网络进行检测
检测通过后才入库的，所以抓下来的基本都是可用的 = =

glacer

2018-06-20 20:12:58 +08:00

网上抓的免费代理可用率和速度都感人... 不管是公司的活还是自用我都愿意花钱买，至少质量比免费的高不止一档了。

kmz

2018-06-20 20:25:57 +08:00

@glacer 嗯嗯，对速度有要求，肯定专业代理好一点，，，
我后面会多增加爬取源，提升检测门槛，尽可能提高代理质量，，，

songjiaxin2008

2018-06-20 20:26:31 +08:00

asyncio 和 tornato 一起使用是不是很酸爽...

kmz

2018-06-20 20:31:16 +08:00

@songjiaxin2008 还好，，，基本上没用到 asyncio，，，
和 twisted 结合才酸爽，写的过程碰到了 bug，twisted 一直阻塞，差点就放弃了……现在的解决方法还是曲线救国 = =

kingname

2018-06-20 21:10:26 +08:00

@kmz 你会发现你刚刚检查可用，1 秒钟以后就失效了。

kmz

2018-06-20 21:13:09 +08:00

@kingname 好的亲

kmz

2018-06-22 17:02:46 +08:00

改了几个比较大的 bug，，，代码现在比发这个文章的时候靠谱得多了，，，（扶额

xiaozizayang

2018-06-24 11:37:32 +08:00

我基于 sanic 写了个： https://github.com/howie6879/hproxy 异步

kmz

2018-06-26 11:01:39 +08:00

@xiaozizayang 学习了！～