通过代理IP进行分布式爬虫的三种方案

　　如果不使用代理IP直接来通过网络爬虫进行爬取的话，用不了多久爬虫就会被目标站点检测并允许采集公开数据，因此大部分的爬虫工作者都会选择借助代理IP来进行爬取。但这并不意味着使用了代理IP就可以完全放开的进行爬取，对于爬虫本身也需要不断改进，有效地分配资源，接下来就带各位来了解一下如何通过代理IP实现分布式爬虫：

　　方案一

　　每个进程从接口中随机取一个IP列表来反复使用，失效后再调用API获取。

　　1.每个进程，从接口随机取回部分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。

　　方案介绍：由于每个IP都是有期限的，如果用户所需提取的数量过大，那么在使用途中，或许剩下的大多数都无法使用了，而这是该方案无法全球住宅IP，高效采集公开数据的弊端。

　　方案二

　　每个进程从接口中随机取一个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。

　　方案介绍：该方案调用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，可能会被允许访问公开数据提取，不适合持久稳定的运行。

　　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，设置好每分钟请求API的次数，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Cookies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。

　　IPIDEA已向众多互联网知名企业提供服务，对提高爬虫的抓取效率提供帮助，支持API防止账号关联使用，支持多线程高并发使用。欢迎访问www.ipidea.net