做网络爬虫时,一般对代理IP的需求量比较大。因为在爬取网站信息的过程中,很多网站做了反爬虫策略,可能会对每个IP做频次控制。这样我们在爬取网站时就需要很多代理IP。
代理IP的获取,可以从以下几个途径得到:
从免费的网站上获取,质量很低,能用的IP极少
购买收费的代理服务,质量高很多
自己搭建代理服务器,稳定,但需要大量的服务器资源。
本文的代理IP池是通过爬虫事先从多个免费网站上获取代理IP之后,再做检查判断IP是否可用,可用的话就存放到MongoDB的中,最后展示到前端的页面上。
获取可用代理
获取代理的核心代码是ProxyManager,它采用RxJava2来实现,主要做了以下几件事:
创建ParallelFlowable,针对每一个提供免费代理IP的页面并行地抓取。
针对每一个页面进行抓取,返回列表<代理>
map(new Function<String, List<Proxy>>() { @Override public List<Proxy> apply(String s) throws Exception { try { return newProxyPageCallable(s).call(); } catch (Exception e) { e.printStackTrace(); } return null; } })
对每一个页面获取的代理IP列表进行校验,判断是否可用
flatMap(new Function<List<Proxy>, Publisher<Proxy>>() { @Override publicPublisher<Proxy> apply(List<Proxy> proxies) throws Exception { if (proxies ==null) return null; List<Proxy> result = proxies .stream() .parallel() .filter(new Predicate<Proxy>() { @Override public boolean test(Proxy proxy) { HttpHost httpHost = new HttpHost(proxy.getIp(), proxy.getPort(), proxy.getType()); return HttpManager.get().checkProxy(httpHost); }}).collect(Collectors.toList()); return Flowable.fromIterable(result); } }) 依次保存到proxyListsubscribe(newConsumer<Proxy>(){@Overridepublicvoid accept(Proxy proxy)throwsException{ log.debug("Result Proxy = "+proxy.getType()+"://"+proxy.getIp()+":"+proxy.getPort()); proxy.setLastSuccessfulTime(newDate().getTime());ProxyPool.proxyList.add(proxy);}});
附上完整的流程图
再附上完整的ProxyManager代码:
import com.cv4j.proxy.domain.Proxy; import com.cv4j.proxy.http.HttpManager; import com.cv4j.proxy.task.ProxyPageCallable; import io.reactivex.Flowable; import io.reactivex.functions.Consumer; import io.reactivex.functions.Function; import lombok.extern.slf4j.Slf4j; import org.apache.http.HttpHost; import org.reactivestreams.Publisher; import org.springframework.stereotype.Component; import java.util.Date; import java.util.List; import java.util.function.Predicate; import java.util.stream.Collectors; /** * Created by tony on 2017/10/25. */ @Slf4j @Component public class ProxyManager { /** * 抓取代理,成功的代理存放到ProxyPool中 */ public void start() { Flowable.fromIterable(ProxyPool.proxyMap.keySet()) .parallel() .map(new Function<String, List<Proxy>>() { @Override public List<Proxy> apply(String s) throws Exception { try { return new ProxyPageCallable(s).call(); } catch (Exception e) { e.printStackTrace(); } return null; } }) .flatMap(new Function<List<Proxy>, Publisher<Proxy>>() { @Override public Publisher<Proxy> apply(List<Proxy> proxies) throws Exception { if (proxies == null) return null; List<Proxy> result = proxies .stream() .parallel() .filter(new Predicate<Proxy>() { @Override public boolean test(Proxy proxy) { HttpHost httpHost = new HttpHost(proxy.getIp(), proxy.getPort(), proxy.getType()); return HttpManager.get().checkProxy(httpHost); } }).collect(Collectors.toList()); return Flowable.fromIterable(result); } }) .sequential() .subscribe(new Consumer<Proxy>() { @Override public void accept(Proxy proxy) throws Exception { log.debug("Result Proxy = "+proxy.getType()+"://"+proxy.getIp()+":"+proxy.getPort()); proxy.setLastSuccessfulTime(new Date().getTime()); ProxyPool.proxyList.add(proxy); } }); } } 定时任务 每隔几个小时跑一次定时任务,在抓取完任务之后先删除旧的数据,然后再把新的数据插入到MongoDB的中。 import com.cv4j.proxy.ProxyManager; import com.cv4j.proxy.ProxyPool; import com.cv4j.proxy.dao.ProxyDao; import com.cv4j.proxy.domain.Proxy; import com.safframework.tony.common.utils.Preconditions; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.scheduling.annotation.Scheduled; import org.springframework.stereotype.Component; import java.util.concurrent.CopyOnWriteArrayList; /** * Created by tony on 2017/11/22. */ @Component public class ScheduleJobs { @Autowired ProxyDao proxyDao; @Autowired ProxyManager proxyManager; /** * 每六个小时跑一次任务 */ @Scheduled(cron = "0 0 */6 * * ?") public void cronJob() { System.out.println("Job Start..."); proxyManager.start(); CopyOnWriteArrayList<Proxy> list = ProxyPool.proxyList; // 先删除旧的数据 proxyDao.deleteAll(); // 然后再进行插入新的proxy if (Preconditions.isNotBlank(list)) { for (Proxy p:list) { proxyDao.saveProxy(p); } } System.out.println("Job End..."); } }
总结
在做爬虫时,自己维护一个可用的代理IP池是很有必要的事情,当然想要追求更高稳定性的代理IP还是考虑购买比较好。