我们都知道，为了更高效地进行数据抓取，我们需要使用爬虫代理ip，假如不用代理ip，爬虫业务必定无路可行，因此大部分爬虫采集公司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，事实上被追踪、被反爬，不单纯是代理ip的问题，还需要考虑方方面面的东西，还要改进爬虫代理方案，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（咨询代理IP服务商建议）以飞蚁为例，单次提取数量在200个IP，间隔最快1秒，也就是说1分钟最快可以请求60次，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。飞蚁ip代理使用稳定可靠，IP资源丰富，支持免费测试，建议大家可以测试一下。
网友评论