如何实现分布式爬虫代理IP？怎么办？

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求去选购高效稳定的代理IP。有了优质代理IP后，是不是就能够万事大吉了呢？事情没有那么简单，还需求优化计划，合理分配资源，进步工作效率，更高效更快速更稳定地停止爬虫工作。

计划一、每个进程从接口API中随机取一个IP列表来循环运用，失败则再调用API获取，大约逻辑如下：

1、每个进程，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、假如访问胜利，则继续抓取下一条；

3、假如失败了，再从接口取一批IP，继续尝试。

计划缺陷：每个IP都是有有效期的，假如提取了100个，当运用了第10个的时分，可能后面的大局部都失效了。假如你设置HTTP恳求的时分衔接时间超时为3秒，读取时间超时为5秒，那你将会有可能糜费3-8秒的时间，说不定这3-8秒曾经能够抓取几十次了。

计划二：每个进程从接口API中随机取一个IP来运用，失败则再调用API获取一个IP，大约逻辑如下：

1、每个进程，从接口随机取回一个IP来，用这个IP去访问资源；

2、假如访问胜利，则继续抓下一条；

3、假如失败l，再从接口随机取一个IP，继续尝试。

计划缺陷：调用API获取IP的行为十分频繁，会对代理效劳器形成十分大的压力，影响API接口稳定，可能会被限制提取。这种计划也不合适，不能耐久稳定的运转。

计划三：先提取大量IP导入本地数据库，从数据库里面取IP，大约逻辑如下：

1、在数据库里面建一个表，写一个导入脚本，每分钟恳求几次API（咨询代理IP效劳商倡议），把IP列表导入到数据库里面；

2、在数据库里面记载好：导入时间、IP、Port、过时时间、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停止运用；

4、执行抓取，对结果停止判别，处置cookie等，只需呈现考证码或者失败就放弃这个IP，重新换一个IP。

这种计划有效地避开了代理效劳器资源的耗费，有效地分配代理IP的运用，愈加的高效和稳定，保证了爬虫工作的耐久性和稳定性。