用Python代理池搭建——代理获取（一）
代理
我们在做爬虫的过程中经常会遇到这样的情况：最初爬虫正常运行，正常抓取数据，然而一会儿的功夫可能就会出现错误，比如403 Forbidden；这时候网页上可能会出现 “您的IP访问频率太高”这样的提示，过很久之后才可能解封，但是一会后又出现这种情况。
造成这种现象的原因是该网站已采取了一些防爬虫措施。例如，服务器将在一个时间单位内检测IP请求的数量。如果超过某个阈值，服务器将直接拒绝该服务并返回一些错误信息。这种情况可以称为封IP，因此该网站成功禁止了我们的抓取工具。
想象一下，由于服务器检测到IP单位时间内的请求数量，因此我们使用某种方式来伪装IP，以使服务器无法识别由本地计算机发起的请求，因此我们可以成功地阻止IP被封。
所以这时候代理池就派上用场了。
网络上有大量免费且公开的代理可以供我们使用，但这些代理并不能保证都可以使用，因为同样的代理可能被其他人拿来爬虫使用而遭到封禁，因此，在真正使用之前，我们需要对这些免费代理进行筛选，剔除那些不能使用的。保留下可以用的，来构建一个代理池，供我们爬虫使用。
代理池设计
相关问题
构建一个代理IP池，可能有下面这些问题：
代理IP从何而来？
许多刚接触爬虫的，都试过去西刺、快代理之类有免费代理的网站去抓些免费代理，还是有一些代理能用。当然，如果你有更好的代理接口也可以自己接入。
免费代理的采集也很简单：访问页面 —> 正则/xpath提取 —> 保存
如何保证代理质量？
可以肯定免费的代理IP大部分都是不能用的。所以采集回来的代理IP不能直接使用，检测的办法也很简单：可以写个程序不断的用代理访问一个稳定的网站，看是否可以正常访问即可。这个过程可以使用多线/进程或异步的方式，因为检测代理是个很慢的过程。
采集回来的代理如何存储？
这里选择Redis作为数据存储，因为它速度很快。以及Redis支持队列、hash、set、k-v对，支持T级别数据。
如何让爬虫更方便的用到这些代理？
答案是服务，使用Python的web框架，写个api供爬虫调用。这样代理和爬虫架构分离，同时有很多好处， 比如：当爬虫完全不用考虑如何校验代理，如何保证拿到的代理可用，这些都由代理池来完成。这样只需要安静的码爬虫代码就行啦。
代理池由四部分组成:
获取模块：代理获取接口，负责到各大免费代理网站爬取代理。代理形式都是IP+端口
存储模块：负责存储抓取下来的代理。保存到数据库。
检测模块：获取到的代理不一定都能使用，因此需要对抓到的每个代理，针对未来将要爬取的网站进行检测。测试过程中，如果可用就保存，不可用就删除。并且根据每个代理的表现，给代理进行评分，分数越高可用性越高。
接口模块：使用轻量级的Flask来实现一个webAPI接口。
mg
采集模块
搭建代理池，第一步是采集代理。可以在搜索引擎搜索“代理” 关键字 ，就可以到许多代理服务网站，网站上会有很多免费代理。
img
但是这些免费代理大多数情况下都是不好用的，所以比较靠谱的方法是购买付费代理。付费代理在很网站都有售卖，数量不用多，稳定可用即可，我们可以进行选购。
这里我们以 66 代理为例，使用了设置了 headers 模拟请求头之后就能直接拿到数据。
img
这样我们就将数据给下载下来了。这里我只使用了一家做示范，到项目真实部署，则需要更多的免费代理，否则当大规模采集时，ip可能不够用。
img
存储模块
数据选择保存在redis数据库中，这里不选择MySQL或者其他数据库的原因很多。第一Redis数据库非常快而且安全。并且操作足够简单。python 操作 redis 数据库需要安装一下 redis 模块。使用 pip install redis 安装即可。
使用 redis 模块操作 redis 数据库不够简单。所以对数据库操作部分进行了封装。这样只要导入就可以使用了。封装的方法主要是支持基本的链接数据库、添加数据、获取代理。
redis有序集合
使用redis有序集合存储代理：
有序集合，有键值对构成的数据集合，键又叫成员member，值又叫分值score。
分值必须是浮点数/整数型，并且按照分值的由低到高排序。
键【member】必须唯一，分值可重复
例子：键【member】：220.12.23.62 ：6666 值【score】：98
定义RedisClient()类
一旦实例化该类，自动初始化【连接数据库】，并作为该实例的一个属性
类实现以下方法：
初始化方法链接数据库- decrease() 判断分值，减一或者删除代理
random() 在分值最大范围内取随机代理
exist()、count()、delete() 等其他方法
img
保存免费代理
最终导入定义好的 RedisClient 对象，将获取的代理保存到数据库、备用。
imgimg
本案例中用到的 redis 数据库可以自行到网上下载，用到的 redis 数据库管理工具也是开源的。后面再讲如何筛选代理以及提供API服务，最终搭建出代理池。