自建隧道代理
隧道代理可自动变更,免去频繁更换代理的麻烦,仅需一次性配置一个代理IP,其它变IP工作由隧道自动完成。假设你从免费代理手上拿到一些池子,当然你也可以用爬虫程序自己爬找出后测试筛选可用的,直接在浏览器上面请求,页面效果如下图所示:现在,你需要做的就是写一个程序,周期性访问这个 url,拉取当前最新可用的 IP 地址,然后把它放到 Redis 中。这里,我们使用 Redis 的 Hash 这个数据结构
隧道代理可自动变更,免去频繁更换代理的麻烦,仅需一次性配置一个代理IP,其它变IP工作由隧道自动完成。
假设你从免费代理手上拿到一些池子,当然你也可以用爬虫程序自己爬找出后测试筛选可用的
,直接在浏览器上面请求,页面效果如下图所示:
(既然是免费的就不打码了可用率匿名度众所周知)
现在,你需要做的就是写一个程序,周期性访问这个 url,拉取当前最新可用的 IP 地址,然后把它放到 Redis 中。
这里,我们使用 Redis 的 Hash 这个数据结构,其中 Hash 的字段名就是IP:端口
,里面的值就是跟每个 IP 相关的一些信息。
你这个程序需要确保,当前在 Redis 里面的代理地址,全部都是可用的。这里,我给出了一个示例程序:
"""
ProxyManager.py
~~~~~~~~~~~~~~~~~~~~~
简易代理池管理工具,直接从URL中读取所有
最新的代理,并写入Redis。
"""
import yaml
import time
import json
import redis
import datetime
import requests
class ProxyManager:
def __init__(self):
self.config = self.read_config()
self.redis_config = self.config['redis']
self.client = redis.Redis(host=self.redis_config['host'],
password=self.redis_config['password'],
port=self.redis_config['port'])
self.instance_dict = {}
def read_config(self):
with open('config.yaml') as f:
config = yaml.safe_load(f.read())
return config
def read_ip(self):
resp = requests.get(self.config['proxy']).text
if '{' in resp:
return []
proxy_list = resp.split()
return proxy_list
def delete_ip(self, live_ips, pool_ips):
ip_to_removed = set(pool_ips) - set(live_ips)
if ip_to_removed:
print('ip to be removed:', ip_to_removed)
self.client.hdel(self.redis_config['key'], *list(ip_to_removed))
def add_new_ips(self, live_ips, pool_ips):
ip_to_add = set(live_ips) - set(pool_ips)
if ip_to_add:
print('ip to add:', ip_to_add)
ips = {}
for ip in ip_to_add:
ips[ip] = json.dumps({'private_ip': ip,
'ts': datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')})
self.client.hset(self.redis_config['key'], mapping=ips)
def run(self):
while True:
live_ips = self.read_ip()
pool_ips = [x.decode() for x in self.client.hgetall(self.redis_config['key'])]
self.delete_ip(live_ips, pool_ips)
self.add_new_ips(live_ips, pool_ips)
time.sleep(40)
if __name__ == '__main__':
manager = ProxyManager()
manager.run()
其中,我把 Redis 相关的配置、代理供应商的 URL 写到了一个 yaml 配置文件中,防止被你们看到。配置文件的格式如下图所示:
由于我这个代理供应商提供的 IP,有效期是 1-5 分钟,所以保险起见,我每 40秒更换一次 IP。更换的时候,采用了增量更换的方式。把当前拉取的 IP 和 Redis 里面的已有 IP 进行对比。不在这次拉取的 IP 全部从 Redis 移除,然后把新增的 IP 加到 Redis 中。
大家在实际过程中,还可以加一些代理校验的逻辑,确保从 URL 拉下来的代理也进行有效性检查,发现无效的立刻移除。
实现自动转发
要实现自动转发,我们可以使用 OpenResty[1]。这是一个基于 Nginx 和 Lua 实现的高性能 Web 平台。通过它,我们可以使用 Lua 语言实现一些逻辑,例如从 Redis 读取数据,把来源请求转发到上游代理服务器……
因此,我们使用 OpenResty 搭建一个转发服务。并把这个转发服务所在服务器的 IP 地址作为我们的入口 IP 地址。在使用 Requests 等等网络请求客户端发送请求的时候,只需要把这个入口 IP 地址设置为代理。那么,当客户端发送请求的时候,请求首先到了 OpenResty。然后它从 Redis 中随机选一个代理 IP 来作为上游代理,并把刚刚发来的请求转发到上游代理。从而实现隧道代理的效果。
Lua 是一门非常老的语言,它的语法不少地方跟 Python 不太一样。不过你不用担心,这个配置文件我已经写好了。大家拿过来改一改就能用。
对应的配置文件如下图所示:
worker_processes 16; #nginx worker 数量
error_log /usr/local/openresty/nginx/logs/error.log; #指定错误日志文件路径
events {
worker_connections 1024;
}
stream {
## TCP 代理日志格式定义
log_format tcp_proxy '$remote_addr [$time_local] '
'$protocol $status $bytes_sent $bytes_received '
'$session_time "$upstream_addr" '
'"$upstream_bytes_sent" "$upstream_bytes_received" "$upstream_connect_time"';
## TCP 代理日志配置
access_log /usr/local/openresty/nginx/logs/access.log tcp_proxy;
open_log_file_cache off;
## TCP 代理配置
upstream backend{
server 127.0.0.2:1101;# 爱写啥写啥 反正下面的代码也给你改了
balancer_by_lua_block {
-- 初始化balancer
local balancer = require "ngx.balancer"
local host = ""
local port = 0
host = ngx.ctx.proxy_host
port = ngx.ctx.proxy_port
-- 设置 balancer
local ok, err = balancer.set_current_peer(host, port)
if not ok then
ngx.log(ngx.ERR, "failed to set the peer: ", err)
end
}
}
server {
preread_by_lua_block{
local redis = require("resty.redis")
--创建实例
local redis_instance = redis:new()
--设置超时(毫秒)
redis_instance:set_timeout(3000)
--建立连接,请在这里配置Redis 的 IP 地址、端口号、密码和用到的 Key
local rhost = "123.45.67.89"
local rport = 6739
local rpass = "abcdefg"
local rkey = "proxy:pool"
local ok, err = redis_instance:connect(rhost, rport)
ngx.log(ngx.ERR, "1111111 ", ok, " ", err)
-- 如果没有密码,移除下面这一行
local res, err = redis_instance:auth(rpass)
local res, err = redis_instance:hkeys(rkey)
if not res then
ngx.log(ngx.ERR,"res num error : ", err)
return redis_instance:close()
end
math.randomseed(tostring(ngx.now()):reverse():sub(1, 6))
local proxy = res[math.random(#res)]
local colon_index = string.find(proxy, ":")
local proxy_ip = string.sub(proxy, 1, colon_index - 1)
local proxy_port = string.sub(proxy, colon_index + 1)
ngx.log(ngx.ERR,"redis data = ", proxy_ip, ":", proxy_port);
ngx.ctx.proxy_host = proxy_ip
ngx.ctx.proxy_port = proxy_port
redis_instance:close()
}
# 下面是本机的端口,也就是爬虫固定写死的端口
listen 0.0.0.0:9976; #监听本机地址和端口,当使用keeplived的情况下使用keeplived VIP
proxy_connect_timeout 3s;
proxy_timeout 10s;
proxy_pass backend; #这里填写对端的地址
}
}
需要修改的地方,我在配置文件里面已经做好的注释。具体而言,需要修改地方包含:
-
Redis 的地址、端口、密码和 Key。如果你的 Redis 没有密码,可以把设置密码的这一行删掉
-
入口代理的端口
设置好了这些配置以后,我们就可以使用 Docker 来启动它。Docker 的配置文件极其简单:
from openresty/openresty:centos
copy nginx_redis.conf /usr/local/openresty/nginx/conf/nginx.conf
然后,执行命令构建和运行:
docker build --network host -t tunnel_proxy:0.01 .
docker run --name tunnel_proxy --network host -it tunnel_proxy:0.01
运行以后,你会看到 Docker 的命令行似乎卡住了。这是正常请求。因为需要你有了请求,它才会输出内容。
现在,你可以用 Requests 赶快写一段代码来进行验证:
import requests
import time
proxies = {'http': 'http://13.88.220.207:9976'}
for _ in range(10):
resp = requests.get('http://httpbin.org/ip', proxies=proxies).text
print(resp)
time.sleep(1)
运行效果如下图所示。
配置nginx.config如果出现问题,要根据具体报错信息来解决。
毕竟自行搭建不是个最好办法,只能用来学习或爬些个人想要的。如果是企业大数据助力采用自行搭建这样反而会浪费更多时间和经历成本。如果是需要稳定高并发的业务场景用免费池肯定问题会出现很多。试用了很多还是感觉青果网络的隧道代理在稳定性,响应延迟和高并发请求抓取的成功率上都比其他的好用些(直达参考)。况且有些品牌还不是真正的隧道,而是动态ip只是打了隧道的广告而已。
更多推荐
所有评论(0)