ip代理池的设计过程

ip代理池的设计过程
如果对于网络爬虫还是比较新接触的用户，可能不太明白这是什么意思。在浏览一些爬虫技术网站的时候，ip代理池这个词出现的频率很高，下面ip代理通过代理池的设计流程，来给大家分解介绍。IP代理池设计由四部分组成：ProxyGetter:代理获取接口，网上找到免费IP的提供商，每调用一次就会抓取网站的最新代理放入DB，可自行添加额外的代理获取接口;DB:用于存放ip代理，现在暂时只支持SSDB。至于为什么选择SSDB，大家可以参考这篇文章,个人觉得SSDB是个不错的Redis替代方案，如果你没有用过SSDB，安装起来也很简单。Schedule:计划任务用户定时去检测DB中的代理可用性，删除不可用的代理。同时也会主动通过ProxyGetter去获取最新代理放入DB。ProxyApi:代理池的外部接口，由于现在这么代理池功能比较简单，花两个小时看了下Flask，愉快的决定用Flask搞定。功能是给爬虫提供get/delete/refresh等接口，方便爬虫直接使用。到了代码模块：Python中高层次的数据结构,动态类型和动态绑定,使得它非常适合于快速应用开发,也适合于作为胶水语言连接已有的软件部件。用Python来搞这个ip代理池也很简单，代码分为6个模块：Api:api接口相关代码，目前api是由Flask实现，代码也非常简单。客户端请求传给Flask，Flask调用ProxyManager中的实现，包括get/delete/refresh/get_all。Manager:get/delete/refresh/get_all等接口的具体实现类，目前代理池只负责管理proxy，日后可能会有更多功能，比如代理和爬虫的绑定，代理和账号的绑定等等。DB:数据库相关代码，目前数据库是采用SSDB。代码用工厂模式实现，方便日后扩展其他类型数据库。Schedule:定时任务相关代码，现在只是实现定时去刷新代码，并验证可用代理，采用多进程方式。ProxyGetter:代理获取的相关代码，目前抓取了快代理、代理66、有代理、西刺代理、guobanjia这个五个网站的免费代理，经测试这个5个网站每天更新的可用代理只有六七十个，当然也支持自己扩展代理接口。Util:存放一些公共的模块方法或函数，包含GetConfig:读取配置文件config.ini的类，ConfigParse:集成重写ConfigParser的类，使其对大小写敏感，Singleton:实现单例，LazyProperty:实现类属性惰性计算。其他文件:配置文件:Config.ini,数据库配置和代理获取接口配置，可以在GetFreeProxy中添加新的代理获取方法，并在Config.ini中注册即可使用。上面就是ip代理池的组成部分，这样分解之后，相信大家也能够直观认识到代理池了。当然了，大家也可以直接用付费ip代理提取搭建。