【解决方案】IP代理池设计与解决方案

一、背景

爬虫服务请求量大，为了应对反爬措施，增加爬虫的爬取效率和代理IP使用率，需要设计一个IP代理池，满足以下需求：

• 定时任务获取第三方代理
• 及时剔除IP代理池中失效的IP
• 业务隔离IP
  • 若IP未失效，但对某个业务来说，IP被封，需要针对业务，隔离此IP
• 均衡使用IP
  • 避免IP使用频率不均问题

通常选用的地上那方外部代理有：蚂蚁代理、阿布云、讯代理（不建议使用）。这里以讯代理为例。

说说讯代理

实际环境测试过，代理质量差，价格不低，客服态度不好。笔者以公司的名义提需求，价钱好商量，对方直截了当回复，没这功能，也做不了，爱买不买，呵呵。所以真心不建议使用。

1.1 调用代理API

调用混拨代理API，返回结果

{
"ERRORCODE":"0",
"RESULT":[
 {"port":"43617","ip":"222.85.5.118"},
 {"port":"43569","ip":"180.122.20.108"},
 {"port":"20443","ip":"221.230.254.73"}
]}

二、一些知识点

2.1 代理IP是如何产生的？

ASDL拨号，是一种上网方式，每拨一次号，就会产生一个新的IP。而第三方的IP厂商，通常会买很多拨号VPS服务器，定时拨号来产生新的IP，提供给需要代理的客户。

三、需求1：及时剔除IP代理池中失效的IP

3.1 超过有效时间，自动失效

每个IP都有固定的有效时间（拨号时间）。IP失效的原理，IP通过ASDL拨号产生，当ASDL重新拨号，则旧IP失效，新IP产生。如3分钟拨一次号，或3-10分钟拨一次号，为了保证IP的使用率，通常以最长的失效时间（如有效期3-10分钟，选10分钟作为失效时间）。

使用Redis存储Key-Value，失效时间为最长有效时间。Key为IP+端口。Value为任意固定值。

3.2 检测失效

检测时间点

• 获取到IP时，放入代理池之前
• 在代理池中

通常IP的真正有效时间不是固定的，比如说的有效时间是3分钟，真实有效时间可能低于3分钟。这里就需要有一个机制来单独检测IP是否有效。

通常的做法是，IP池中的每一个IP都要定时访问一个固定的测试链接，访问失效则从队列中剔除。

如何选择固定的链接，有下列几种要求：

• 测试链接的网站要尽可能地稳定
• 返回的内容要尽可能的小
• 网站最好不要有反爬措施

测试链接

测试链接的一个比较好的方案是，自己提供一个CDN链接，链接指向一个只有200字符串的txt文本。

最好提供两个CDN链接，同时请求，只要有一个能请求通，就判断为IP有效。防止一处CDN挂掉，导致所有代理IP被判定为失效。

3.3 伪代码

获取代理时

请求API，解析获取代理列表：
   每个代理：
      if(isEffectiveIp(ip)){
			addIpPool(ip);	
	  }

IP代理池中检查

获取当前代理池中所有IP：
   if(!isEffectiveIp(ip)){
		 removeIp(ip);
   }

四、需求2：业务隔离IP

4.1 IP隔离判定

错误记录队列

这里IP调用服务就需要做成一个单独的服务，其他业务服务都调用该IP服务。每次调用的时候需要上报IP，IP可用或不可用，同时附带业务名（如business-1）。

IP服务端维持一个队列记录，记录业务与IP的错误次数，Key为业务名-IP，Value为错误次数，设置一个标准值，若连续错误N次，则将此IP放到失效队列。

失效队列

失效队列中，使用set存储，name为业务名称，value为失效IP

调用IP服务
业务每次调用IP，首先获取失效队列中的IP列表，然后请求时附带IP列表作为参数，请求不包含失效IP的任意IP。

五、需求3：均衡使用IP

使用zset维持，使用时间戳作为score，zset会以score从小到大排列。

当一个IP被使用，则设置score为当前时间戳，则IP会排到队尾。

每次获取IP时，都从队头的前N个IP中，选择一个。