爬虫爱好者给自己搭建一个简单的爬虫代理ip池

小编在这里浅谈一下自己的知识。

新型的代理ip池 aox_proxy_pool

第二种, github上这种项目海了去了, 绝大部分, 在你搭建好以后, 发现爬虫还是爬不动,免费代理ip根本无法使用的好伐！稍微好点的haipproxy, 我也用过, 但是不解决根本问题! 绝大部分ip失效太快了! 而且各种错误, 爬十个页面, 能成功一个都算烧高香了。

那么, 到底为啥免费的代理ip不好使呢? 还有很多人都问到, 那些代理ip商真的有那么多ip么？

其实不是, 免费代理ip很多都是扫出来的, 扫ip段, 端口, 特征码。发现可以使用, 那就是代理ip。

代理ip不好用, 一般是因为以下几个原因 1. 扫到的代理ip是临时的 2. 访问量太大, 服务器都挂了 3. 本来就不是代理ip 4. 有验证 5. 本来是http的代理, 你用来访问https, 那当然不行了! 6. 代理异常, 连接中断, 带宽被沾满, 返回错误。

如果不想花钱, 那么就只能自己找到稳定的代理ip, 然后来使用。 而一般的代理池, 都是拿百度、知乎阿、豆瓣阿啥的网址访问, 成了说明能用, 不成就是失败。最多加个分值计算什么的。

之前看了下haipproxy的代码, 成功率高就得自己写验证, 说白了, 在爬虫使用之前, 先尝试访问下, 来提高成功率, 我觉得意义不大。

上面都废话, 以下才是主要的其实免费代理ip中, 有极少数的一部分, 是非常稳定的代理服务器, 所以这些服务器就可以长期用来使用。

我抓取到的免费的代理ip, 中, 过滤后剩下的ip的访问成功率基本在90%+

其实最简单的方式就是根据服务器开放的端口来判断, 如果服务器有开放80, 3389, 3306, 22之类的端口, 那么说明服务器还有别的服务在运行, 挂掉的几率很小, 如果是政府、学校的服务器, 那么更加稳定。当然也有可能开放别的端口

服务器的访问速度判断, 需要访问多个不同的网址, 来取平均数, 这样的访问速度才比较稳

代理ip的存活时间, 越长越稳定, 当然这个是在你搭建抓取后, 来进行计算。

代理类型的重新检测, 通过访问不同的http和https网站, 判断代理到底是http还是https, 并且进行划分, http的代理, 那就访问http网址的时候使用, https的代理给https访问提供服务, 这样访问的几率才能提高。

所以根据这几点, 我重新写了一套代理ip池的项目, 目前抓取ip 4500+, 长期稳定的ip在60+左右, 虽然少，但是相当稳定。