[开源] 基于 Tornado 和 Scrapy 的高性能代理池

[kmz]

花一周的时间初步完成了这个项目…… Github 上好像没有几个（我只找到了一个= =）把 Tornado 和 Scrapy 结合到一起的项目

支持的特性包括：

• 设定数目，持续从网上爬取新的免费代理，检测可用后存入本地数据库
• 完全异步，支持高并发（从免费的基础上去衡量……）
• 通过调用 HTTP API 来获取代理，后面有时间会增加前端控制页面
• 周期性自检，更新可用代理

项目地址： https://github.com/Karmenzind/fp-server

关于代理可用性

爬虫爬取代理时会先检测可用性（包括速度和匿名性），检测完毕后才会入库，不可用的直接抛弃，所以可以安心使用。至于代理性能，我后面会对检测方式进行优化。

关于可存储代理数目

我暂时没有做限制，写这个文章的时候，我本地有一万个活动（可用的）代理。我没有继续爬，因为目前代理来源只有四个，潜力有限。假如有人用的话，后面我会持续增加代理来源。

在 Scrapy 项目中使用

我写了一个可以直接用在 Scrapy 项目里的 middleware。后面有空我会写更多示例代码。

环境要求

项目是在 Archlinux 上开发的，已经测试通过的环境如下：

• Archlinux; Python-3.6.5
• Debian(wsl); Python-3.5.3
• macOS 10; Python-3.6.5

代码暂时不支持直接在 Windows 上运行，我已經打包好了 Docker 镜像，Windows 用户可以使用 Docker 部署。

推荐 Unix/Linux 用户也使用 Docker 部署，这样是最简单的。

更详细的介绍和使用方法见项目 README。

欢迎提 Bug 和意见给我。

[chroming]

为啥用 tornado 做 server, tornado 相比 sanic 有什么优势吗？

[golmic]

这里有我群里大家贡献的近 20 个代理网站的解析，也是 scrapy 写的

https://github.com/lujqme/proxy_pool

[kmz]

@chroming 额，，，优势是我用过，，，我去了解一下你说的 sanic

[kmz]

@golmic 我这个不只是爬虫，还是个 web 服务，爬取和更新都是完全自动的
谢谢你发这个，收藏了～

[golmic]

@kmz 我看你说代理来源有限，就给你贡献一下..哈哈，你可以抓下来之后用你的项目处理或者结合一下

[kmz]

@golmic 恩恩感谢～～

[kingname]

大家可以看看 https://github.com/imWildCat/scylla
比楼主这个好用的多。

[chroming]

@kmz #3 我也只是简单用了下 tornado 和 sanic， 发现 sanic 的接口友好得多

[kmz]

@kingname
哈哈哈，我刚写了一个星期，支持一下嘛
你发的这个 commits 数量都是我这个的二十倍了……

[kmz]

@chroming 恩恩

[kingname]

@kmz 这种到处抓免费代理的代理池，可用率不超过 30%。还是自己搭建比较好。

[kmz]

@kingname
我这个服务抓下来代理之后，会基于你的本地网络进行检测
检测通过后才入库的，所以抓下来的基本都是可用的 = =

[glacer]

网上抓的免费代理可用率和速度都感人... 不管是公司的活还是自用我都愿意花钱买，至少质量比免费的高不止一档了。

[kmz]

@glacer 嗯嗯，对速度有要求，肯定专业代理好一点，，，
我后面会多增加爬取源，提升检测门槛，尽可能提高代理质量，，，

[songjiaxin2008]

asyncio 和 tornato 一起使用是不是很酸爽...

[kmz]

@songjiaxin2008 还好，，，基本上没用到 asyncio，，，
和 twisted 结合才酸爽，写的过程碰到了 bug，twisted 一直阻塞，差点就放弃了……现在的解决方法还是曲线救国 = =

[kingname]

@kmz 你会发现你刚刚检查可用，1 秒钟以后就失效了。

[kmz]

@kingname 好的亲

[kmz]

改了几个比较大的 bug，，，代码现在比发这个文章的时候靠谱得多了，，，（扶额

[xiaozizayang]

我基于 sanic 写了个： https://github.com/howie6879/hproxy 异步