写在前面

在很多个爬虫死于非命之后,果然不出所料,接到了新的需求:新增代理池.其实也不用说,在Web站点和爬虫的斗争中,爬虫太容易就可以伪装自己了,通过更换UA(User Agent),甚至切换高匿代理.Web站点在明,而爬虫在暗,所以,在爬虫界一直有句话:只要是能通过Brower访问的地方,爬虫一样可以。在模仿浏览器行为上,爬虫已经有很成熟的解决方案,各大语言也有自己的专属爬虫框架,比如PythonScrapyGolanggo-spider和幽灵蛛 pholcus 等等。这种由爬虫代替人工更方便的采集数据的方式,在大数据中被广泛运用。。

代理池

那么代理池在爬虫框架中应该可以被看作是一个血槽,代理池里面对应的IP,端口,协议记录是保证爬虫在遭到Web站点封锁之后的后续谋生手段。在Web站点看来,由于你已经切换了IP,就相当于是换了一个地方(终端)登录。然而,有些代理还是会被Web站点收录,将其拉入黑名单,(效果可以参考用代理在Wikipedia改词条时会提示正在使用代理。)这类容易被检测到的代理称之为透明代理,而要完全为伪装自己就要用高匿的代理,这类代理较小概率被识别为代理。

需要注意的点

前面说过 代理 无非只有 IP 端口(Port) 协议(protocol) ,我们只要在发起Request的时候去使用那条代理就可以了。那么就变成了 源->代理->目标 的形式。

  • Protocol: 分为 HTTP 和 HTTPS .HTTP 和 HTTPS 啥区别就不再说了。
  • IP:
  • Port:需要注意的是,在拼接代理记录时,在Port前要留有空格.比如 http://127.0.0.1:1080 应该 要拼接成 http://127.0.0.1: 1080.这个也是我今天遇到的比较大的坑了。也许是parse时造成的,但我还是比较偏向直接在原始字符串中添加空格。其实 很多次都会犯很愚蠢的错误,Go在添加Proxy时(Client中的Transport),如果,把parse的error丢弃掉,在失败(代理格式不合法)的情况下还是会用本地的IP继续发起Request,所以,切记在添加Proxy时前对URL的Parse一定要去检查Parse是否报错,所以,划掉部分就因为格式不正确却把error丢弃才会有一种代理可用的假象,最终的代理记录还是protocol://ip:port/ 的格式。

使用

在使用上,我现在是维护了一个比较多代理的db,但是,后来想想,这种方法效率并不高,因为要考虑到在取代理时 代理本身就是可用的。而可能在db里的代理 在一段时间未用后不可用了,所以在使用的时候,我还写了个isValid在判断代理是否还是可用。但是 在经过一番思考之后 我觉得可以重构,如果去维护一个更轻量的队列是不是更完美,控制在10个左右,而在启动代理池时,其本身是空的 需要调用Crawl去现抓 这样应该就可以保证代理在没有isValid下的最大可用性了。但是,一切的一切还是要等到我重构完了 才会知道。

实测之后发现,代理的过期时间太快了,平均一次Request之后就会失效,免费代理的稳定性实在堪忧,如果还把记录放在DB里面,势必大部分时间都会浪费在DB 的I/O上,所以在代理失效后 我选择不重新插入DB 而是放到内存的数据结构(list)中去 这样在爬虫切换代理的过程中 DB只有View而不需要Update 在爬虫结束后再把list重新放回DB中 尽量把对DB的依赖降到最小 把时间集中在Request上. 以上。