历时大致两个月，到现在终于完成了高可用分布式代理IP池，目前开源在了Github上。写这个项目的原因主要有两点，一是自己平时的部分工作需要和爬虫打交道，代理IP在有的时候可以发挥非常重要的作用，调研过一些开源的代理IP采集程序，发现在抓取、解析、校验、资源调度等这些方面总有一些不尽人意的地方；二是和一个网友（不严格的说算得上是伯乐）的交流让我有了关于使用Scrapy来写分布式爬虫的一些想法，正好可以借助这个机会来尝试证实这些想法。
这篇文章的目的是阐述haipproxy的主要架构和流程。该项目关键部分是
- 基于Scrapy和Redis的分布式爬虫，用作IP抓取和校验，对应于项目的crawler
- 基于Redis实现的分布式任务调度工具，对应于项目的scheduler和redis_util.py
Crawler分为代理抓取和校验，两者实现思想类似，主要使用Scrapy的spider_idle信号和DontCloseSpider异常来阻止Scrapy在没有数据的时候关闭，灵感来自scrapy-redis。为了方便阐述，我画了一张包含各个组件的流程图，如下
- 启动调度器，包括代理爬虫调度器和校验爬虫调度器。调度器会读取rules.py中待抓取的网站，将其编排成任务存入各个任务队列中
- 启动各个爬虫，包括IP抓取和校验程序。项目中爬虫和调度器都是高可用的，可以根据实际情况进行分布式部署，无需改动代码。由于本文的目标不是写成该项目的详细使用文档，所以省略了如指定启动爬虫类型和调度器类型的介绍
- 代理IP采集爬虫启动后会到对应的任务队列中获取任务并执行，再把获取到的结果存入一个
init队列中 -
init队列由一个特殊的校验器HttpbinInitValidator进行消费，它会过滤掉透明代理，再把可用代理输入各个Validated队列中 - 调度器会定时从
Validated队列中获取代理IP，再将其存入一个临时的队列。这里用一个临时队列是为了让校验更加公平，如果直接从Validated队列中获取资源进行校验，那么会增大不公平性 - 这时候各个校验器(非
init校验器)会从对应的临时队列中获取待校验的IP并对其进行校验，此处省略校验细节 - 校验完成后再将其放回到
Validated队列中，等待下一轮校验 - 请求成功率(体现为分数)、响应速度和最近校验时间满足settings.py所配置要求的代理IP将会被爬虫客户端所消费
- 为了屏蔽各个调用语言的差异性，目前实现的客户端是
squid客户端，它可以作为爬虫客户端的中间件
到此，整个流程便完了。
效果测试
以单机模式部署haipproxy和测试代码，以知乎为目标请求站点，
每一万条成功请求为统计结果，实测抓取效果如下
| 请求量 | 时间 | 耗时 | IP负载策略 | 客户端 |
|---|---|---|---|---|
| 0 | 2018/03/03 22:03 | 0 | greedy | py_cli |
| 10000 | 2018/03/03 11:03 | 1 hour | greedy | py_cli |
| 20000 | 2018/03/04 00:08 | 2 hours | greedy | py_cli |
| 30000 | 2018/03/04 01:02 | 3 hours | greedy | py_cli |
| 40000 | 2018/03/04 02:15 | 4 hours | greedy | py_cli |
| 50000 | 2018/03/04 03:03 | 5 hours | greedy | py_cli |
| 60000 | 2018/03/04 05:18 | 7 hours | greedy | py_cli |
| 70000 | 2018/03/04 07:11 | 9 hours | greedy | py_cli |
| 80000 | 2018/03/04 08:43 | 11 hours | greedy | py_cli |
可见haipporxy的代理效果还算不错，在开始的时候可以达到1w/hour的请求量，几个小时候请求量请求量
降为了5k/hour。降低的结果可能有三个: (1)随着数据量的增大,Redis的性能受到了一定的影响(2)知乎校验器在把Init Queue中的代理消费完之后，由于是定时任务，所以导致某段时间内新鲜的IP空缺。而免费IP大多数都是短效的，所以这段时间出现了IP的空缺;(3)由于我们采用的是greedy模式调用IP，它的调用策略是: 高质量代理IP会一直被调用直至该代理IP不能用或者被封，而低应速度IP会轮询调用。这也可能导致高质量IP的空缺。
可见IP校验和调用策略还有很大的优化空间。希望志同道合的朋友加入进来一起优化，这也挺有意思的。
项目地址: https://github.com/SpiderClub/haipproxy
欢迎star和fork，也欢迎大家交流和PR。
