企业级分布式爬虫使用代理IP抓数据思路架构与实现_用百变IP抓数据

大家在使用分布式爬虫，或者叫多进程爬虫的时候，由于目标站的限制，可能会用到代理IP。要使用代理IP，首先要找一个稳定高匿的私密代理IP提供商，爬虫肯定得用私密代理，开放代理是不行的。百变IP—企业级稳定高匿代理IP  百变IP - 企业级稳定、高速、高匿代理IP、千万IP出口池，爬虫的不二之选。如何才能资源利用最优化、最合理的使用代理IP来抓数据，下面的文章可以提供一些思路，这也是百变IP官网建议的实现方式。一般大家都会有下面几种实现方式：极度不推荐：【方案一】每个进程从接口API中随机取一个IP列表来循环使用，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、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。 不推荐但也能跑：【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，会对百变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。）。step2：一定是每分钟请求60次，不要每分钟3次或者每分钟5次。知道为什么吗？比如一个IP的有效期从18:00:01分开始算有效期60秒，你18:00:00来请求的时候是拿不到的，当你18:00:20来拿的时候，它只剩下40秒了，就是有可能少20秒。step3：在数据库里面记录好 导入时间、IP、Port、过期时间、当前有多少进程在使用这个IP IP可用状态 等字段；step4：写一个抓取脚本，抓取脚本从数据库里面读取可用IP，每个进程从数据库获取一个IP，获取一个 状态可用，使用的进程少的IP，当然也可以控制每个进程只使用一个IP，如果没有符合条件的IP，则循环Sleep 1秒等待新的IP出现。step5：执行抓取，对结果进行判断，处理cookie等，只要出现验证码或者失败就放弃这个IP（在数据库里面标记为不可用或者直接删除，另外如果是标记为不可用的话，如果目标站只封1小时，那可以1小时以后如果接口里面又返回这个IP，那可以再标记为可用），重新换一个IP。 推荐：【方案四】使用百变IP-Proxy，大概逻辑如下：百变IP-Proxy支持免提取调用。方式一：使用百变IP-Proxy，统一入口，支持免提取调用，设置白名单后即可使用，支持每次请求随机一个IP出口，或者多次请求使用同一个IP作为出口。通道A：proxy.baibianip.com:8000 每次随机一个出口IP。通道B：proxy.baibianip.com:8001~8020 这20个端口，每次请求都会固定一个出口IP，IP有效期10s-5分钟。如果在请求之前想知道出口IP和剩余可用时间，可通过这个接口获取。通道A和使用B调用方式完全一样，不用做任何额外改造，只需要在程序中控制请求端口号就行了（比如你用通道B的8001端口，然后现在想换一个IP当出口，只需要换8002就好了，不需要发送换IP的命令给我们），超级方便，百变IP会自动切换后端出口IP，百变IP智能转发服务会根据后端服务器的心跳情况、负载情况、网络稳定性、IP分散度等综合因素根据算法智能转发。系统支持Keep-Alive。智能转发服务不会出现因为切换IP而出现服务不能用的情况，平滑切换。
更多示例代码和Demo 请参考  https://www.baibianip.com/tech/distributedcrawler.html