江苏龙网

  1. 主页 > 生活百科 > >

通过代理ip进行分布式爬虫的几种方案

分布式爬虫

如果不使用代理ip ， 爬虫工作必定无路可行 ， 因此大部分爬虫工作者都会去购买安全稳定的代理ip 。使用了高质量的代理ip后 ， 会不会就能够无后顾之忧了呢？这个可不会这么容易 ， 还要改进方案 ， 有效分配资源 ， 提升工作效率 ， 又快速又稳定又高效的完成爬虫 。
通过代理ip进行分布式爬虫的几种方案
方案一、每个进程从接口API中随机取一个IP列表来反复使用 ， 失效后再调用API获取 ， 大致逻辑是这样：
1、每个进程 ， 从接口随机取回一批ip回来 ， 反复试着ip目录去抓取数据；
2、要是访问成功 ， 则继续抓取下一条 。
3、要是失败了 ， 再从接口取一批IP ， 继续尝试 。
弊端：每个IP都是有期限的 ， 要是提取了一百个 ， 用到第二十个时 ， 或许剩下的大多数都无法使用了 。要是设置HTTP请求时连接时间超时是3秒 ， 读取时间超时是5秒 ， 那么或许会耗费3-8秒的时间 ， 在这3-8秒内可能抓取了几百次了 。
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获取一个IP ， 大致逻辑如下：
1、每个进程 ， 从接口随机取回一个ip来 ， 用这个ip来浏览资源
2、要是访问成功 ， 则继续抓下一条
3、要是失败了 ， 再从接口随机取一个IP ， 继续尝试
弊端：调用API获取IP的行为非常频繁 ， 会对代理服务器造成特别大的压力 ， 影响API接口稳定 ， 可能会被限制提取 。这类方案也不适合 ， 无法持久稳定的运行 。
方案三：先提取大量IP导入本地数据库 ， 从数据库里面取IP ， 大致逻辑如下：
1、在数据库里面建一个表 ， 写一个导入脚本 ， 每分钟请求多少次API（咨询代理IP服务商建议） ， 把IP列表导入到数据库里面 。
2、在数据库里面记录好导入时间、IP、Port、过期时间、IP可用状态 等字段；
3、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进行使用 。
4、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 ， 重新换一个IP 。
这种方案有效的避开了代理服务器资源的消耗 ， 有效的分配代理IP的使用 ， 更加的高效和稳定 ， 保障了爬虫工作的持久性和稳定性 。极光ip代理稳定可靠 ， 亲测好用的哟 ， 建议大家可以测试一下 。

【通过代理ip进行分布式爬虫的几种方案】


    推荐阅读


    上一篇：本命年红绳突然断了是挡灾吗,本命年红绳断了有什么寓意预兆

    下一篇：山姆会员还有几天过期可以退卡吗,山姆会员卡还剩几天过期能退吗