听说开源才能走的更高更远，才能让自己成长，所以尝试自己写的爬虫代理框架 IPProxyTools 。各位大神轻喷。
使用 scrapy 爬虫抓取代理网站，获取大量的免费代理 ip 。过滤出所有可用的 ip ，存入数据库以备使用。
github 地址： https://github.com/awolfly9/IPProxyTool
推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
This topic created in 3401 days ago, the information mentioned may be changed or developed.
Supplement 1 · Feb 14, 2017
很多人收藏，却很少人回复
[
]
[
] |
1
deleted Feb 14, 2017
抓代理很有用，学习了
|
 |
2
imcocc Feb 14, 2017 via iPhone
mysql 是不是有点重，有没有考虑 sqlite ？
|
 |
3
uzumaki Feb 14, 2017 via Android
已 star
|
 |
4
songdezu Feb 14, 2017
有了可用 ip list 之后， 怎么用户爬虫本身去轮流循环替换代理？
|
 |
5
awolfly9 OP |
 |
7
Felldeadbird Feb 14, 2017
ip 有时效性啊。楼主入库多久会清理一次啊
|
 |
8
hellopython Feb 14, 2017 via iPhone
学习了，谢谢分享！！！
|
|
9
awolfly9 OP  1
@Felldeadbird 抓取的所有免费 ip 或插入到表 free_ipproxy .如果验证之后的有效 ip 会放在单独的表里面。具体表名可以配置，例如抓取豆瓣就放在 douban 中。然后 free_ipproxy 每次抓取的时候回删掉半个小时之前的数据。代理 ip 验证会先验证当前表中之前已经验证过的代理，如果不可用就从当前表中移除，然后在验证 free_ipproxy 中的代理，如果可用就加入到表中。
|
 |
10
dongxiaozhuo Feb 14, 2017
已经 star 。不过我的代理都是 zmap 扫描端口，验证请求 http://httbin.org/get 页面，正常返回即入库。数据库中峰值有 7W+ 可用的 http 代理，平均 3w+ 。
|
 |
11
wujunze Feb 14, 2017
感谢分享
|
 |
12
heissuperhan Feb 14, 2017 via iPhone
免费代理基本没有用
|
 |
13
youyoumarco Feb 14, 2017
学习爬虫中。感谢分享
|
 |
14
ijustdo Feb 14, 2017
免费代理不做验证 基本好多都没法用的 小伙子加上代理验证吧
这玩意 2007 年就做过 当时分布式抓取 分布式验证 服务端在 linux 客户端在 win 自动清理无效代理 当时是给分布式爬虫用的 |
 |
16
hadoop Feb 14, 2017
@dongxiaozhuo 这个数量 nb ！
|
 |
17
jiezhi Feb 14, 2017
感谢分享， star 为敬
|
 |
18
mclxly Feb 14, 2017
都 2017 了，为何不用 Python 3 写呢
|
 |
19
onestar Feb 14, 2017
学习了，已 star
|
 |
21
Clarencep Feb 14, 2017
已 star
|
 |
22
yesineedroot Feb 14, 2017
感谢分享！
|
 |
23
kutata Feb 14, 2017
感谢分享~
|
 |
24
holyzhou Feb 14, 2017
通过 8000 端口 我怎么能拿到最近的按照响应排序好的可用的 http 地址 好像 api 接口有点弱。
"http://127.0.0.1:8000/select?name=douban",我没理解这里的豆瓣是做什么用的 |
 |
25
vh2h Feb 14, 2017
我提一个问题。你开源一个爬虫代理框架，和今天是情人节之间有什么关系呢？这之间没有任何逻辑可言嘛！
|
 |
26
lwd2136 Feb 14, 2017
不错，已经收藏。
|
 |
27
herozzm Feb 14, 2017 via Android
验证是关键，不然大量无用 ip ，功能就废了
|
 |
28
qsnow6 Feb 14, 2017
@dongxiaozhuo 之前也想要这么操作，有没有示例
|
 |
29
Inn0cence Feb 14, 2017 via iPhone
爬虫菜🐔学习。马可 学习下
|
 |
30
yuansmin Feb 14, 2017
项目挺不错的，赞一个。不过这个瓶颈主要还是网上的免费代理不靠谱啊
|
|
31
holyzhou Feb 14, 2017
@awolfly9 感谢, 用了半天 还不错 改了 scan 的频率, 拿到的地址比我 1 块钱淘宝买的靠谱些,但也会有连接失败的，再者就是拿到的数量并不多(通过 http://127.0.0.1:8000/select?name=douban 拿到的)
|
|
32
awolfly9 OP @holyzhou 可用的代理 ip 会随着时间的增加而增加。由于我抓取的站点比较少，而且那些站点更新免费 ip 也很慢，所以有效的 ip 会随着时间增加而不断积累。失效的 ip 会被淘汰。
|
 |
34
gamecmt Feb 14, 2017
强，已 star
|
 |
35
botman Feb 14, 2017
好项目，表示去年也写过一个类似的项目，做爬虫必备良品啊，给 lz 顶一个先。
给点建议，既然是写框架就不建议把代理站点硬编码进去，因为现在不少开放代理站点需要进行 js 解析才能拿到代理，所以不同的开放代理站点的解析规则也是不同的，建议把这部分功能里独立开来，规则大家可以一起维护。 |
 |
36
liangmishi Feb 14, 2017
感谢开源~
|
 |
37
Nyloner Feb 14, 2017
哈哈，前段时间也写了一个类似项目： http://nyloner.cn/proxy
|
 |
38
mingyun Feb 14, 2017
130+ 收藏，厉害了
|
 |
39
eycfsjd Feb 14, 2017
年前搞了一个扫描 ip:port 查找 http 代理的，功能还不完善。 https://github.com/anexplore/proxydetector.git
|
 |
40
DevilBin Feb 15, 2017 via Android
已 star
|
 |
42
fuxkcsdn Feb 15, 2017
那个...运行了半小时左右， 66ip 就抓到 6 个代理...不合理啊...只抓取首页吗？？
半小时就只抓到 279 个代理 IP ，略少... |
|
43
awolfly9 OP @fuxkcsdn 我只抓了首页，因为在之前的测试中发现后面的很多 IP 都失效了，抓下来也没什么作用。如果想要抓取多页，只需要到 sixsixip.py 中 self.urls = ['http://m.66ip.cn/%s.html' % n for n in range(1, 2)] 更改 2 为 想要抓取的页数
|
Select Language