忘记密码

成功验证手机号即可找回密码

请输入密码
请确认密码
用户登录
请输入密码
忘记密码
注册免费试用
注册后联系客服获取免费资格
请输入密码
复制成功
请粘贴在新的浏览器或标签页内打开
确定
账户余额不足10元

为了不影响您的正常使用,请及时充值!

我知道了

恭喜您注册成功!
已成功领取账户余额

25 1
立即领取

手机号绑定成功!
已成功领取账户余额

25 1
立即领取
首页> 使用技巧> 企业级分布式爬虫如何使用代理IP

企业级分布式爬虫如何使用代理IP

使用技巧 发布日期 2018-10-24         

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。

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

一般大家都会有下面几种实现方式:

推荐:【方案一】使用芝麻HTTP,一款拥有企业级稳定高匿、高速代理IP 的千万IP出口池,是爬虫的不二之选。

大概使用逻辑如下:

芝麻HTTP提供安全、稳定、高匿的海量IP,支持一键提取调用,设置白名单使用,同时支持每次请求随机一个IP出口,或者多次请求使用。三大过滤模式,支持三种协议及多种API参数,能够满足更多爬虫需求。

推荐:【方案二】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,芝麻HTTP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。

 

不推荐但也能跑:【方案三】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。

方案三是最错误且最低效的办法,原因如下:

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。所以建议直接使用正规服务商提供的代理IP,可用率和稳定性都比较高。 

极度不推荐:【方案四】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。 

方案四弊端:

A、压力和效率:API调取十分频繁,会对芝麻动态VPS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。

芝麻HTTP为您提供安全稳定、高效便捷的爬虫代理IP服务,提供高匿代理IP资源的同时,还可以设置不同类型的HTTP代理,以及设置去重等等标准,简单一点说,芝麻HTTP就好像是一个中间桥梁,可以根据用户的需求设置HTTP代理类型,助您不间断获取行业数据,芝麻替您考虑资源质量问题,助您轻松跨入“互联网大数据”时代。官网可免费提取试用,更多问题请点击官网咨询客服。————芝麻HTTP运营管理团队 h.zhimaruanjian.com

芝麻HTTP 高匿代理 爬虫采集
客户经理
835658804 18115265829
在线咨询

售后客服

在线售后,实时响应

渠道/企业/大客户合作

大汉:153-0544-5551
芝麻HTTP公众号 微信客服
免费套餐
客户定制
专属客户经理
2890289832
15963368937

微信二维码

大客户
专属客户经理
1214413489
17696587966

微信二维码

公众号

关注公众号

意见反馈
置顶