IPProxyTool
使用 scrapy 爬虫抓取代理网站，获取大量的免费代理 ip。过滤出所有可用的 ip，存入数据库以备使用。
可以访问我的个人站点，查看我的更多有趣项目 awolfly9
个人项目欢迎加微信吐槽
如果在使用中有任何疑问，或者项目中有任何槽点你觉得不满意都可以加我微信向我吐槽。不吐不快~
运行环境
python 2.7.12
运行依赖包
scrapy
BeautifulSoup
requests
pymysql
web.py
scrapydo
lxml
安装 mysql 并启动
安装命令：
$ pip install Scrapy BeautifulSoup requests pymysql web.py scrapydo lxml
下载使用
将项目克隆到本地
$ git clone https://github.com/awolfly9/IPProxyTool.git
进入工程目录
$ cd IPProxyTool
修改 mysql 数据库配置 config.py 中 database_config 的用户名和密码为数据库的用户名和密码
$ vim config.py
---------------
database_config = {
'host': 'localhost',
'port': 3306,
'user': 'root',
'password': '123456',
'charset': 'utf8',
}
运行启动脚本 ipproxytool.py 也可以分别运行抓取，验证，服务器接口脚本，运行方法参考项目说明
$ python ipproxytool.py
如果更新后运行报错，请先删除本地数据库。
项目说明
抓取代理网站
所有抓取代理网站的代码都在 proxy
扩展抓取其他的代理网站
1.在 proxy 目录下新建脚本并继承自 BaseSpider
2.设置 name、urls、headers
3.重写 parse_page 方法，提取代理数据
4.将数据存入数据库 具体可以参考 ip181 kuaidaili
5.如果需要抓取特别复杂的代理网站，可以参考peuland
修改 runspider.py 导入抓取库，添加到抓取队列
可以单独运行 runspider.py 脚本开始抓取代理网站
$ python runspider.py
验证代理 ip 是否有效
目前验证方式：
1.从上一步抓取并存储的数据库中取出所有的代理 IP
2.利用取出的代理 IP 去请求 httpbin
3.根据请求结果判断出代理 IP 的有效性，是否支持 HTTPS 以及匿名度，并存储到表 httpbin 中
4.从 httpbin 表中取出代理去访问目标网站，例如 豆瓣
5.如果请求在合适的时间返回成功的数据，则认为这个代理 IP 有效。并且存入相应的表中
一个目标网站对应一个脚本，所有验证代理 ip 的代码都在 validator
扩展验证其他网站
1.在 validator 目录下新建脚本并继承 Validator
2.设置 name、timeout、urls、headers
3.然后调用 init 方法,可以参考 baidu douban
4.如果需要特别复杂的验证方式，可以参考 assetstore
修改runvalidator.py 导入验证库，添加到验证队列
可以单独运行 runvalidator.py 开始验证代理ip的有效性
$ python runvalidator.py
获取代理 ip 数据服务器接口
在 config.py 中修改启动服务器端口配置 data_port，默认为 8000
启动服务器
$ python runserver.py
服务器提供接口
获取
参数
Name
Type
Description
must
name
str
数据库名称
是
anonymity
int
1:高匿 2:匿名 3:透明
否
https
str
https:yes http:no
否
order
str
table 字段
否
sort
str
asc 升序，desc 降序
否
count
int
获取代理数量，默认 100
否
删除
参数
Name
Type
Description
是否必须
name
str
数据库名称
是
ip
str
需要删除的 ip
是
插入
参数
Name
Type
Description
是否必须
name
str
数据库名称
是
ip
str
ip 地址
是
port
str
端口
是
country
str
国家
否
anonymity
int
1:高匿,2:匿名,3:透明
否
https
str
yes:https,no:http
否
speed
float
访问速度
否
source
str
ip 来源
否
TODO
参考
项目更新
-----------------------------2017-3-30----------------------------
1.修改完善 readme
2.数据插入支持事务
-----------------------------2017-3-14----------------------------
1.更改服务器接口，添加排序方式
2.添加多进程方式验证代理 ip 的有效性
-----------------------------2017-2-20----------------------------
1.添加服务器获取接口更多筛选条件
-----------------------------2017-2-16----------------------------
1.验证代理 IP 的匿名度
2.验证代理 IP HTTPS 支持
3.添加 httpbin 验证并发数设置，默认为 4
