分布式爬虫使用代理IP抓数据思路架构与实现

╰半夏微凉° 2022-01-12 03:37 300阅读 0赞

技术人员在使用分布式爬虫，或是石桌多进程爬虫的时候，目标一旦限制，很有可能会使用到代理IP。

做爬虫使用的代理IP一定不能是开放的，一定要找高匿[私密代理IP][IP]

怎么样才能最优化的使用代理IP进行数据采集呢？下面小编会提供一些思路

一般都会有这几种方式，

下面是比较麻烦的方式，一般是不建议使用的

【方案一】每个进程从接口API中随机取一个IP列表进行循环使用，如果失败则那么就再调用API获取，大概逻辑如下：

step1：每个进程（或线程），从接口随机取回一批IP回来，循环尝试IP列表去抓取数据；

step2：如果访问成功，则继续抓下一条

step3：如果失败了（比如超时、出现验证码等），再从接口随机取一个IP，继续尝试。

方案一是最错误且最低效的办法，原因如下：

1.每个代理IP都是有有效期的，

1、我们知道每个IP都是有有效期的，当你取回来一个列表的时候，比如列表里面第一个IP有效期100秒，第二个有效期80秒，第三个110秒，第四个50秒，当你尝试第一个的时候比如一直成功用了50秒，然后被封，要换IP了，继续尝试第二个，这时候第二个有效期已经还剩余30秒了，第四个已经过期了。如果你设置HTTP请求的时候连接时间超时为3秒，读取时间超时为5秒，那你将会有可能浪费3-8秒的时间，说不定这3-8秒已经可以抓取几十次了。

方案二能跑，但是小编也不是特别的建议大家用

【方案二】每个进程从接口API中随机取一个IP来使用，失败则再调用API获取，大概逻辑如下：

step1：每个进程（或线程），从接口随机取回一个IP来，用这个IP去访问资源，

step2：如果访问成功，则继续抓下一条

step3：如果失败了（比如超时、出现验证码等），再从接口随机取一个IP，继续尝试。

方案二弊端：

A、压力和效率：API调取十分频繁，会对河马IP的接口造成压力，另外你调用的时候也会耗时比如每次耗时100ms，浪费时间，压力这个目前还好，我们的API直接用Nginx读取Redis，接口性能没有问题。

B、资源竞争：比如你15个进程同时随机去取，例如我们IP池同时有30个可用，因为是随机取一个，所以不能保证两个或多个进程不取到同一个IP，这样频率高了，对方就有可能封这个IP。倒是可以调用接口的去重功能。

C、遇到被封的IP，你也无法告诉API，下次不会给你返回被封IP了。当前API去重只能保证每天不重复。隔天是有可能重复的，因为有些IP当天被封，隔天说不定就可以用了，这些阈值还是使用方自己控制比较好。

所以，尽可能做个策略，尽可能让每个进程（或线程）使用一个IP，不要多个进程使用一个IP。

推荐：【方案三】先导入数据库，从数据库里面取IP，大概逻辑如下：

step1：在数据库里面建一个表，写一个导入脚本，每分钟请求60次API，把IP列表导入到数据库里面（接口返回的是实时可用的，百变IP会实时检测，你的检查肯定没有我们这边实时，如果接口里面没有而数据库里面有，则删除或者标记为不可用，反之则插入或者更新。）。