浅析分布式爬虫使用代理IP的几种方案

小渣渣

没有代理IP，爬虫工作将寸步难行，所以很多爬虫工程师都需要去选购高效稳定的代理IP。有了优质代理IP后，是不是就可以高枕无忧了呢？事情没有那么简单，还需要优化方案，合理分配资源，提高工作效率，更高效更快速更稳定的进行爬虫工作。

方案一：每个进程从接口API中随机取一个IP列表（比如一次提取100个IP）来循环使用，失败则再调用API获取，大概逻辑如下：

1、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；

2、如果访问成功，则继续抓取下一条。

3、如果失败了（比如超时、出现验证码等），再从接口取一批IP，继续尝试。

方案缺点：每个IP都是有有效期的，如果提取了100个，当使用了第10个的时候，可能后面的大部分都失效了。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。

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，大概逻辑如下：

1、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，

2、如果访问成功，则继续抓下一条。

3、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。

方案缺点：调用API获取IP的行为非常频繁，会对代理服务器造成非常大的压力，影响API接口稳定，可能会被限制提取。这种方案也不适合，不能持久稳定的运行。

方案三：先提取大量IP导入本地数据库，从数据库里面取IP，大概逻辑如下：

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。

spin100

方案三和方案一不是一个样么，提取大量IP，后面没使用的那些不久过期了么

hdixjlh003

mark，思路学习了，之后我写个试试