突破反爬虫的利器——开源IP代理池

专栏作者简介

七夜

信息安全研究人员，比较擅长网络安全、逆向工程、Python爬虫开发、Python Web开发。

博客园:http://cnblogs.com/qiyeboy/

CSDN:http://blog.csdn.net/qiye_/

Github:https://github.com/qiyeboy/

突破反爬虫的一个常用做法是使用代理IP，可以是作为初学者或者个人来说，买一些代理ip成本稍微高一些，因此最近写了一个开源项目IPProxys，用来为个人提供代理ip。

IPProxys原理：通过爬取各大代理网站提供的免费IP，进行去重，并验证ip的可用性，将有效的ip存储到sqlite中，并提供一个HTTP接口供爬虫程序获取ip。

IPProxys项目已经上传到github中，链接为https://github.com/qiyeboy/IPProxys。下面对整个项目工程进行一下说明，如下图所示：

api包:主要是实现http服务器，提供api接口(通过get请求,返回json数据)
data文件夹:主要是数据库文件的存储位置和qqwry.dat(可以查询ip的地理位置)
db包：主要是封装了一些数据库的操作
spider包：主要是爬虫的核心功能，爬取代理网站上的代理ip
test包：测试一些用例，不参与整个项目的运行
util包：提供一些工具类。其中的IPAddress.py查询ip的地理位置
validator包:用来测试ip地址是否可用
config.py：主要是配置信息(包括配置ip地址的解析方式和数据库的配置)

整个项目的代码量不大，大家可以根据自己的需求进行修改，也可以提出自己的想法和建议帮助我改进这个项目。

如何使用IPProxys项目呢？

1.将项目目录clone到当前文件夹 $ git clone

2.切换工程目录 $ cd IPProxys

3.运行脚本 python IPProxys.py windows上运行效果如下图所示：

项目依赖项：

需要安装sqlite数据库
安装requests库:pip install requests
安装lxml: apt-get install python-lxml

当IPProxys运行起来后，外部的爬虫如何获取ip呢？ 外部的爬虫只需要向IPProxys所在主机的8000端口发送GET请求即可。GET请求的参数为：

例如：

访问http://127.0.0.1:8000/?types=0&count=5&country=中国这个链接的含义是获取5个ip地址在中国的高匿代理。响应为JSON格式，返回数据为：[{"ip": "220.160.22.115", "port": 80}, {"ip": "183.129.151.130", "port": 80}, {"ip": "59.52.243.88", "port": 80}, {"ip": "112.228.35.24", "port": 8888}, {"ip": "106.75.176.4", "port": 80}]

一般爬取到的有效ip大约有60个左右，基本上满足个人的需要。