Async Proxy Pool
异步爬虫代理池，以 Python asyncio 为基础，旨在充分利用 Python 的异步性能。
配置文件
配置文件 config.py，保存了项目所使用到的所有配置项。如下所示，用户可以根据需求自行更改。不然按默认即可。
总体架构
项目主要几大模块分别是爬取模块，存储模块，校验模块，调度模块，接口模块。
爬取模块 负责爬取代理网站，并将所得到的代理存入到数据库，每个代理的初始化权值为 INIT_SCORE。
存储模块 封装了 Redis 操作的一些接口，提供 Redis 连接池。
校验模块 验证代理 IP 是否可用，如果代理可用则权值 +1，最大值为 MAX_SCORE。不可用则权值 -1，直至权值为 0 时将代理从数据库中删除。
调度模块 负责调度爬取器和校验器的运行。
接口模块 使用 sanic 提供 WEB API 。、
小编推荐一个学Python的学习裙【 二二七，四三五，四五零 】，无论你是大牛还是小白，是想转行还是想入行都可以来了解一起进步一起学习！裙内有开发工具，很多干货和技术资料分享！希望新手少走弯路
返回指定数量的代理，权值从大到小排序。
$ http http://localhost:3289/get/10HTTP/1.1 200 OKConnection: keep-aliveContent-Length: 393Content-Type: application/jsonKeep-Alive: 5[ { "http": "http://94.177.214.215:3128" }, { "http": "http://94.139.242.70:53281" }, { "http": "http://94.130.92.40:3128" }, { "http": "http://82.78.28.139:8080" }, { "http": "http://82.222.153.227:9090" }, { "http": "http://80.211.228.238:8888" }, { "http": "http://80.211.180.224:3128" }, { "http": "http://79.101.98.2:53281" }, { "http": "http://66.96.233.182:8080" }, { "http": "http://61.228.45.165:8080" }]
/count
返回代理池中所有代理总数
$ http http://localhost:3289/countHTTP/1.1 200 OKConnection: keep-aliveContent-Length: 15Content-Type: application/jsonKeep-Alive: 5{ "count": "698"}
/count/
返回指定权值代理总数
$ http http://localhost:3289/count/10HTTP/1.1 200 OKConnection: keep-aliveContent-Length: 15Content-Type: application/jsonKeep-Alive: 5{ "count": "143"}
/clear/
删除权值小于等于 score 的代理
$ http http://localhost:3289/clear/0HTTP/1.1 200 OKConnection: keep-aliveContent-Length: 22Content-Type: application/jsonKeep-Alive: 5{ "Clear": "Successful"}
扩展爬取网站
在 crawler.py 文件里新增你自己的爬取方法。
class Crawler: @staticmethod def run(): ... # 新增你自己的爬取方法 @staticmethod @collect_funcs # 加入装饰器用于最后运行函数 def crawl_xxx(): # 爬取逻辑
sanic 性能测试
使用 wrk 进行服务器压力测试。基准测试 30 秒, 使用 12 个线程, 并发 400 个 http 连接。
测试 http://127.0.0.1:3289/pop
$ wrk -t12 -c400 -d30s http://127.0.0.1:3289/popRunning 30s test @ http://127.0.0.1:3289/pop 12 threads and 400 connections Thread Stats Avg Stdev Max +/- Stdev Latency 350.37ms 118.99ms 660.41ms 60.94% Req/Sec 98.18 35.94 277.00 79.43% 33694 requests in 30.10s, 4.77MB read Socket errors: connect 0, read 340, write 0, timeout 0Requests/sec: 1119.44Transfer/sec: 162.23KB
测试 http://127.0.0.1:3289/get/10
Running 30s test @ http://127.0.0.1:3289/get/10 12 threads and 400 connections Thread Stats Avg Stdev Max +/- Stdev Latency 254.90ms 95.43ms 615.14ms 63.51% Req/Sec 144.84 61.52 320.00 66.58% 46538 requests in 30.10s, 22.37MB read Socket errors: connect 0, read 28, write 0, timeout 0Requests/sec: 1546.20Transfer/sec: 761.02KB
性能还算不错，再测试一下没有 Redis 操作的 http://127.0.0.1:3289/
$ wrk -t12 -c400 -d30s http://127.0.0.1:3289/Running 30s test @ http://127.0.0.1:3289/ 12 threads and 400 connections Thread Stats Avg Stdev Max +/- Stdev Latency 127.86ms 41.71ms 260.69ms 55.22% Req/Sec 258.56 92.25 520.00 68.90% 92766 requests in 30.10s, 13.45MB readRequests/sec: 3081.87Transfer/sec: 457.47KB
Requests/sec: 3081.87
关闭 sanic 日志记录，测试 http://127.0.0.1:3289/
$ wrk -t12 -c400 -d30s http://127.0.0.1:3289/Running 30s test @ http://127.0.0.1:3289/ 12 threads and 400 connections Thread Stats Avg Stdev Max +/- Stdev Latency 34.63ms 12.66ms 96.28ms 58.07% Req/Sec 0.96k 137.29 2.21k 73.29% 342764 requests in 30.10s, 49.69MB readRequests/sec: 11387.89Transfer/sec: 1.65MB
Requests/sec: 11387.89
实际代理性能测试
test_proxy.py 用于测试实际代理性能
运行代码
$ cd test$ python test_proxy.py# 可设置的环境变量TEST_COUNT = os.environ.get("TEST_COUNT") or 1000TEST_WEBSITE = os.environ.get("TEST_WEBSITE") or "https://httpbin.org/"TEST_PROXIES = os.environ.get("TEST_PROXIES") or "http://localhost:3289/get/20"
实测效果
https://httpbin.org/
测试代理： http://localhost:3289/get/20测试网站： https://httpbin.org/测试次数： 1000成功次数： 1000失败次数： 0成功率： 1.0
https://taobao.com
测试代理： http://localhost:3289/get/20测试网站： https://taobao.com/测试次数： 1000成功次数： 984失败次数： 16成功率： 0.984
https://baidu.com
测试代理： http://localhost:3289/get/20测试网站： https://baidu.com测试次数： 1000成功次数： 975失败次数： 25成功率： 0.975
https://zhihu.com
测试代理： http://localhost:3289/get/20测试网站： https://zhihu.com测试次数： 1000成功次数： 1000失败次数： 0成功率： 1.0
可以看到其实性能是非常棒的，成功率极高。 wink
实际应用示例
import randomimport requests# 确保已经启动 sanic 服务# 获取多个然后随机选一个try: proxies = requests.get("http://localhost:3289/get/20").json() req = requests.get("https://example.com", proxies=random.choice(proxies))except: raise# 或者单独弹出一个try: proxy = requests.get("http://localhost:3289/pop").json() req = requests.get("https://example.com", proxies=proxy)except: raise
aiohttp 的坑
整个项目都是基于 aiohttp 这个异步网络库的，在这个项目的文档中，关于代理的介绍是这样的。
划重点：aiohttp supports HTTP/HTTPS proxies
但是，它根本就不支持 https 代理好吧，在它的代码中是这样写的。
划重点：Only http proxies are supported
我的心情可以说是十分复杂的。astonished 不过只有 http 代理效果也不错没什么太大影响，参见上面的测试数据。
参考借鉴项目
ProxyPool
proxy_pool
网友评论