______ ______ _
| ___ \_ | ___ \ | |
| |_/ / \__ __ __ _ __ _ | |_/ /___ ___ | |
| __/| _// _ \ \ \/ /| | | || __// _ \ / _ \ | |
| | | | | (_) | > < \ |_| || | | (_) | (_) || |___
\_| |_| \___/ /_/\_\ \__ |\_| \___/ \___/ \_____\
__ / /
/___ /
爬虫代理IP池项目,主要功能为定时采集网上发布的免费代理验证入库,定时验证入库的代理保证代理的可用性,提供API和CLI两种使用方式。同时你也可以扩展代理源以增加代理池IP的质量和数量。
-
文档: document
-
测试地址: http://demo.spiderpy.cn (勿压谢谢)
-
付费代理推荐: 亮数据 Bright Data(前身 Luminati).全球代理与网络抓取行业头部领导者。覆盖 195+ 国家的 1.5亿+ 真人住宅IP,亲测成功率极高,轻松突破反爬封锁。需要高质量代理IP的可以注册后联系中文客服。申请免费试用 (PS:用不明白的同学可以参考这个使用教程)。
想自建爬虫?接入 Bright Data MCP Server,让 Claude、Cursor、Windsurf 等 AI 助手直接实时抓取网页——自动破解验证码、绕过地区限制。Scraper Studio 支持 AI 一键生成或 JS 代码定制,全托管基础设施运行,无需自购代理、无需搭服务器,分钟级上线。所有产品底层均由同一套顶级代理网络驱动。
API 产品现享7折 + 免费试用额度,注册后可联系中文客服快速上手。(用不明白的同学可参考使用教程,或注册后直接使用互动 AI 智能助手) 👉 https://get.brightdata.com/cd3yy5
- git clone
git clone git@github.com:jhao104/proxy_pool.git- releases
https://github.com/jhao104/proxy_pool/releases 下载对应zip文件pip install -r requirements.txt# setting.py 为项目配置文件
# 配置API服务
HOST = "0.0.0.0" # IP
PORT = 5000 # 监听端口
# 配置数据库
DB_CONN = 'redis://:pwd@127.0.0.1:8888/0'
# 配置 ProxyFetcher
PROXY_FETCHER = [
"freeProxy05", # 快代理
"freeProxy10", # 89ip API
"freeProxy11", # 稻壳代理
"freeProxy16", # ProxyScrape
"freeProxy18", # Proxifly
]
PROXY_FETCHER_EXTRA = [
"freeProxy07", # 云代理 ip3366
"freeProxy12", # 66免费代理 API
"freeProxy13", # 齐云代理
"freeProxy14", # 积流代理
"freeProxy15", # Geonode
]
POOL_SIZE_MIN = 30 # 代理池低于该值时触发补采
POOL_SIZE_CHECK_TRIGGER = 60 # 低于该值时补充源开始介入
TARGET_SITE_VALIDATION = True
TARGET_SITE_URLS = [
"http://q.10jqka.com.cn/thshy/detail/field/199112/order/desc/page/1/ajax/1/code/881101",
]
TARGET_SITE_REQUIRED_MARKERS = ["<table"]
TARGET_SITE_REJECT_MARKERS = ["Nginx forbidden", "request info:", "请求过于频繁"]
TARGET_SITE_COOKIE_URL = "http://localhost:3000/"
TARGET_SITE_COOKIE_NAME = "v"
FETCH_INTERVAL = 8 # 核心源抓取间隔(分钟)
CHECK_INTERVAL = 5 # 代理校验间隔(分钟)
EXTRA_FETCH_INTERVAL = 30 # 补充源抓取间隔(分钟)TARGET_SITE_VALIDATION 用于目标站点过滤。代理只有通过通用连通性和同花顺目标页校验,才会进入 use_proxy;这样可以过滤掉“能访问通用网站、但访问同花顺返回 Nginx forbidden 或风控页”的代理。TARGET_SITE_COOKIE_URL 会读取本地 3000 token 服务并带上 v cookie,让校验路径尽量贴近真实采集请求。
# 如果已经具备运行条件, 可用通过proxyPool.py启动。
# 程序分为: schedule 调度程序 和 server Api服务
# 启动调度程序
python proxyPool.py schedule
# 启动webApi服务
python proxyPool.py server
# 立即抓取、清洗、校验并写入代理池
python proxyPool.py refresh --force-extra
# 立即按当前校验规则重检已有可用代理池
python proxyPool.py check
项目里已经补了 Windows 后台脚本,默认优先使用 venv\Scripts\python.exe:
# 启动后台 schedule + server
powershell -ExecutionPolicy Bypass -File .\scripts\windows\start_background.ps1
# 查看状态
powershell -ExecutionPolicy Bypass -File .\scripts\windows\status_background.ps1
# 停止后台进程
powershell -ExecutionPolicy Bypass -File .\scripts\windows\stop_background.ps1
# 注册为“登录后自动启动”
powershell -ExecutionPolicy Bypass -File .\scripts\windows\install_startup_task.ps1
# 取消自动启动
powershell -ExecutionPolicy Bypass -File .\scripts\windows\uninstall_startup_task.ps1后台日志默认写到 log/background/,运行 PID 文件写到 .runtime/。
docker pull jhao104/proxy_pool
docker run --env DB_CONN=redis://:password@ip:port/0 -p 5010:5010 jhao104/proxy_pool:latest项目目录下运行:
docker-compose up -d- Api
启动web服务后, 默认配置下会开启 http://127.0.0.1:5010 的api接口服务:
| api | method | Description | params |
|---|---|---|---|
| / | GET | api介绍 | None |
| /get | GET | 随机获取一个代理 | 可选参数: ?type=https 过滤支持https的代理 |
| /pop | GET | 获取并删除一个代理 | 可选参数: ?type=https 过滤支持https的代理 |
| /all | GET | 获取所有代理 | 可选参数: ?type=https 过滤支持https的代理 |
| /count | GET | 查看代理数量 | None |
| /delete | GET | 删除代理 | ?proxy=host:ip |
- 爬虫使用
如果要在爬虫代码中使用的话, 可以将此api封装成函数直接使用,例如:
import requests
def get_proxy():
return requests.get("http://127.0.0.1:5010/get/").json()
def delete_proxy(proxy):
requests.get("http://127.0.0.1:5010/delete/?proxy={}".format(proxy))
# your spider code
def getHtml():
# ....
retry_count = 5
proxy = get_proxy().get("proxy")
while retry_count > 0:
try:
html = requests.get('http://www.example.com', proxies={"http": "http://{}".format(proxy)})
# 使用代理访问
return html
except Exception:
retry_count -= 1
# 删除代理池中代理
delete_proxy(proxy)
return None项目默认包含几个免费的代理获取源,但是免费的毕竟质量有限,所以如果直接运行可能拿到的代理质量不理想。所以,提供了代理获取的扩展方法。
添加一个新的代理源方法如下:
- 1、首先在ProxyFetcher类中添加自定义的获取代理的静态方法,
该方法需要以生成器(yield)形式返回
host:ip格式的代理,例如:
class ProxyFetcher(object):
# ....
# 自定义代理源获取方法
@staticmethod
def freeProxyCustom1(): # 命名不和已有重复即可
# 通过某网站或者某接口或某数据库获取代理
# 假设你已经拿到了一个代理列表
proxies = ["x.x.x.x:3128", "x.x.x.x:80"]
for proxy in proxies:
yield proxy
# 确保每个proxy都是 host:ip正确的格式返回- 2、添加好方法后,修改setting.py文件中的
PROXY_FETCHER项:
在PROXY_FETCHER下添加自定义方法的名字:
PROXY_FETCHER = [
"freeProxy05",
"freeProxy10",
"freeProxy11",
"freeProxy16",
# ....
"freeProxyCustom1" # # 确保名字和你添加方法名字一致
] 如果你的新源属于低质量公共源,建议放进 PROXY_FETCHER_EXTRA,不要直接加入核心抓取列表。
schedule 进程会每隔一段时间抓取一次代理,下次抓取时会自动识别调用你定义的方法。
当前默认启用的是已重新核对并更新过解析方式的源,主要参考了 CharlesPikachu/freeproxy 里仍在维护的来源实现,并结合实际连通性做了筛选。为了减少低质量公共源对校验线程的冲击,项目现在区分为“核心源”和“补充源":
| 代理名称 | 分组 | 默认启用 | 地址 | 代码 |
|---|---|---|---|---|
| 快代理 | 核心源 | ✔ | 地址 | freeProxy05 |
| 89ip API | 核心源 | ✔ | 地址 | freeProxy10 |
| 稻壳代理 | 核心源 | ✔ | 地址 | freeProxy11 |
| ProxyScrape | 核心源 | ✔ | 地址 | freeProxy16 |
| Proxifly | 核心源 | ✔ | 地址 | freeProxy18 |
| 云代理 | 补充源 | 低频启用 | 地址 | freeProxy07 |
| 66免费代理 | 补充源 | 低频启用 | 地址 | freeProxy12 |
| 齐云代理 | 补充源 | 低频启用 | 地址 | freeProxy13 |
| 积流代理 | 补充源 | 低频启用 | 地址 | freeProxy14 |
| Geonode | 补充源 | 低频启用 | 地址 | freeProxy15 |
OpenProxyList 当前保留代码但不再进入默认调度,最近一次 10 条样本校验中为 0 通过。
以下旧源目前已不再默认启用,原因是实际探测中出现了超时、403、404、405 或 DNS 失效等问题,后续若站点恢复可再手动开启并更新解析:
| 代理名称 | 当前情况 | 原代码 |
|---|---|---|
| 站大爷 | 页面返回 405 | freeProxy01 |
| 66代理 | 连接超时 | freeProxy02 |
| 开心代理 | 页面异常 500 | freeProxy03 |
| FreeProxyList | 页面 404 | freeProxy04 |
| 冰凌代理 | 域名失效 | freeProxy06 |
| 小幻代理 | 页面 403 | freeProxy08 |
| 免费代理库 | 页面 404 | freeProxy09 |
如果还有其他好的免费代理网站, 可以在提交在issues, 下次更新时会考虑在项目中支持。
任何问题欢迎在Issues 中反馈,同时也可以到我的博客中留言。
你的反馈会让此项目变得更加完美。
本项目仅作为基本的通用的代理池架构,不接收特有功能(当然,不限于特别好的idea)。
本项目依然不够完善,如果发现bug或有新的功能添加,请在Issues中提交bug(或新功能)描述,我会尽力改进,使她更加完美。
这里感谢以下contributor的无私奉献:
@kangnwh | @bobobo80 | @halleywj | @newlyedward | @wang-ye | @gladmo | @bernieyangmh | @PythonYXY | @zuijiawoniu | @netAir | @scil | @tangrela | @highroom | @luocaodan | @vc5 | @1again | @obaiyan | @zsbh | @jiannanya | @Jerry12228