基于python实现新浪微博的面向食品安全的舆情话题检测与追踪系统源码.zip

爬虫IP代理池 ======= [](https://travis-ci.org/jhao104/proxy_pool) [](http://www.spiderpy.cn/blog/) [](https://requires.io/github/jhao104/proxy_pool/requirements/?branch=master) [](https://github.com/jhao104/proxy_pool/blob/master/LICENSE) [](https://github.com/jhao104/proxy_pool/graphs/contributors) [](https://github.com/jhao104/proxy_pool) ______ ______ _ | ___ \_ | ___ \ | | | |_/ / \__ __ __ _ __ _ | |_/ /___ ___ | | | __/| _// _ \ \ \/ /| | | || __// _ \ / _ \ | | | | | | | (_) | > < \ |_| || | | (_) | (_) || |___ \_| |_| \___/ /_/\_\ \__ |\_| \___/ \___/ \_____\ __ / / /___ / ##### [介绍文档](https://github.com/jhao104/proxy_pool/blob/master/doc/introduce.md) * 支持版本:   * 测试地址: http://123.207.35.36:5010 (单机勿压。感谢) ### 下载安装 * 下载源码: ```shell git clone git@github.com:jhao104/proxy_pool.git 或者直接到https://github.com/jhao104/proxy_pool 下载zip文件 ``` * 安装依赖: ```shell pip install -r requirements.txt ``` * 配置Config/setting.py: ```shell # Config/setting.py 为项目配置文件 # 配置DB DATABASES = { "default": { "TYPE": "SSDB", # 如果使用SSDB或redis数据库，均配置为SSDB "HOST": "127.0.0.1", # db host "PORT": 8888, # db port "NAME": "proxy", # 默认配置 "PASSWORD": "" # db password } } # 配置 ProxyGetter PROXY_GETTER = [ "freeProxyFirst", # 这里是启用的代理抓取函数名，可在ProxyGetter/getFreeProxy.py 扩展 "freeProxySecond", .... ] # 配置 API服务 SERVER_API = { "HOST": "0.0.0.0", # 监听ip, 0.0.0.0 监听所有IP "PORT": 5010 # 监听端口 } # 上面配置启动后，代理池访问地址为 http://127.0.0.1:5010 ``` * 启动: ```shell # 如果你的依赖已经安全完成并且具备运行条件,可以直接在Run下运行main.py # 到Run目录下: >>>python main.py # 如果运行成功你应该看到有4个main.py进程 # 你也可以分别运行他们, # 依次到Api下启动ProxyApi.py,Schedule下启动ProxyRefreshSchedule.py和ProxyValidSchedule.py即可. ``` * 生产环境 Docker/docker-compose ```shell # Workdir proxy_pool docker build -t proxy_pool . pip install docker-compose docker-compose -f Docker/docker-compose.yml up -d ``` * 开发环境 Docker ```shell # Workdir proxy_pool docker build -t proxy_pool . docker run -it --rm -v $(pwd):/usr/src/app -p 5010:5010 proxy_pool ``` ### 使用 　　启动过几分钟后就能看到抓取到的代理IP，你可以直接到数据库中查看，推荐一个[SSDB可视化工具](https://github.com/jhao104/SSDBAdmin)。 　　也可以通过api访问http://127.0.0.1:5010 查看。 * Api | api | method | Description | arg| | ----| ---- | ---- | ----| | / | GET | api介绍 | None | | /get | GET | 随机获取一个代理 | None| | /get_all | GET | 获取所有代理 |None| | /get_status | GET | 查看代理数量 |None| | /delete | GET | 删除代理 |proxy=host:ip| * 爬虫使用 　　如果要在爬虫代码中使用的话， 可以将此api封装成函数直接使用，例如： ```python import requests def get_proxy(): return requests.get("http://127.0.0.1:5010/get/").content def delete_proxy(proxy): requests.get("http://127.0.0.1:5010/delete/?proxy={}".format(proxy)) # your spider code def getHtml(): # .... retry_count = 5 proxy = get_proxy() while retry_count > 0: try: html = requests.get('https://www.example.com', proxies={"http": "http://{}".format(proxy)}) # 使用代理访问 return html except Exception: retry_count -= 1 # 出错5次, 删除代理池中代理 delete_proxy(proxy) return None ``` ### 扩展代理 　　项目默认包含几个免费的代理获取方法，但是免费的毕竟质量不好，所以如果直接运行可能拿到的代理质量不理想。所以，提供了代理获取的扩展方法。 　　添加一个新的代理获取方法如下: * 1、首先在[GetFreeProxy](https://github.com/jhao104/proxy_pool/blob/b9ccdfaada51b57cfb1bbd0c01d4258971bc8352/ProxyGetter/getFreeProxy.py#L32)类中添加你的获取代理的静态方法， 该方法需要以生成器(yield)形式返回`host:ip`格式的代理，例如: ```python class GetFreeProxy(object): # .... # 你自己的方法 @staticmethod def freeProxyCustom(): # 命名不和已有重复即可 # 通过某网站或者某接口或某数据库获取代理 任意你喜欢的姿势都行 # 假设你拿到了一个代理列表 proxies = ["139.129.166.68:3128", "139.129.166.61:3128", ...] for proxy in proxies: yield proxy # 确保每个proxy都是 host:ip正确的格式就行 ``` * 2、添加好方法后，修改Config/setting.py文件中的`PROXY_GETTER`项： 　　在`PROXY_GETTER`下添加自定义的方法的名字: ```shell PROXY_GETTER = [ "freeProxyFirst", "freeProxySecond", .... "freeProxyCustom" # # 确保名字和你添加方法名字一致 ] ``` 　　`ProxyRefreshSchedule`会每隔一段时间抓取一次代理，下次抓取时会自动识别调用你定义的方法。 ### 代理采集 目前实现的采集免费代理网站有(排名不分先后, 下面仅是对其发布的免费代理情况, 付费代理测评可以参考[这里](https://zhuanlan.zhihu.com/p/33576641)): | 厂商名称 | 状态 | 更新速度 | 可用率 | 是否被墙 | 地址 | | ----- | ---- | -------- | ------ | --------- | ----- | | 无忧代理 | 可用 | 几分钟一次 | * | 否 | [地址](http://www.data5u.com/free/index.html) | | 66代理 | 可用 | 更新很慢 | * | 否 | [地址](http://www.66ip.cn/) | | 西刺代理 | 可用 | 几分钟一次 | * | 否 | [地址](http://www.xicidaili.com)| | 全网代理 | 可用 | 几分钟一次 | * | 否 | [地址](http://www.goubanjia.com/)| | 训代理 | 已关闭免费代理 | * | * | 否 | [地址](http://www.xdaili.cn/)| | 快代理 | 可用 |几分钟一次| * | 否 | [地址](https://www.kuaidaili.com/)| | 云代理 | 可用 |几分钟一次| * | 否 | [地址](http://www.ip3366.net/)| | IP海 | 可用 |几小时一次| * | 否 | [地址](http://www.iphai.com/)| | 免费IP代理库 | 可用 |快| * | 否 | [地址](http://ip.jiangxianli.com/)| | 中国IP地址 | 可用 |几分钟一次| * | 是 | [地址](http://cn-proxy.com/)| | Proxy List | 可用 |几分钟一次| * | 是 | [地址](https://proxy-list.org/chinese/index.php)| | ProxyList+ | 可用 |几分钟一次| * | 是 | [地址](https://list.proxylistplus.com/Fresh-HTTP-Proxy-List-1)| 如果还有其他好的免费代理网站, 可以在提交在[issues](https://github.com/jhao104/proxy_pool/issues/