用golang 实现一个代理池

背景

写爬虫的时候总会遇到爬取速度过快而被封IP的情况，这个时候就需要使用代理了。在https://github.com/henson/ProxyPool
的启发下，决定自己实现一个代理池。项目已经开源在github。

https://github.com/AceDarkkinght/GoProxyCollector

开发环境

windows 7，Go 1.8.4

数据来源

http://www.xicidaili.com
http://www.89ip.cn
http://www.kxdaili.com/
https://www.kuaidaili.com
http://www.ip3366.net/
http://www.ip181.com/
http://www.data5u.com
https://proxy.coderbusy.com

项目结构

实现

• collector

  collector 支持两种模式，分别是使用goquery对网页元素进行选择和使用正则表达式匹配我们需要的信息。直接上代码吧。

// github.com\AceDarkkinght\GoProxyCollector\collector\selectorCollector.go
func (c *SelectorCollector) Collect(ch chan<- *result.Result) {
    // 退出前关闭channel。
    defer close(ch)

    response, _, errs := gorequest.New().Get(c.currentUrl).Set("User-Agent", util.RandomUA()).End()
    
    /* 省略部分代码 */

    // 有些网站不是UTF-8编码的，需要进行转码。
    var decoder mahonia.Decoder
    if c.configuration.Charset != "utf-8" {
        decoder = mahonia.NewDecoder(c.configuration.Charset)
    }

    // 使用goquery。
    doc, err := goquery.NewDocumentFromReader(response.Body)
    if err != nil {
        seelog.Errorf("parse %s error:%v", c.currentUrl, err)
        return
    }

    // 大部分代理网站的代理列表都放在一个table里，先选出table再循环里面的元素。
    selection := doc.Find(c.selectorMap["table"][0])
    selection.Each(func(i int, sel *goquery.Selection) {
        var (
            ip       string
            port     int
            speed    float64
            location string
        )

        // 我们需要的信息的名字和路径存在collectorConfig.xml。
        nameValue := make(map[string]string)
        for key, value := range c.selectorMap {
            if key != "table" {
                var temp string
                if len(value) == 1 {
                    temp = sel.Find(value[0]).Text()
                } else if len(value) == 2 {
                    temp, _ = sel.Find(value[0]).Attr(value[1])
                }

                // 转码.
                if temp != "" {
                    if decoder != nil {
                        temp = decoder.ConvertString(temp)
                    }

                    nameValue[key] = temp
                }
            }
        }

        /* 省略部分代码 */

        // 过滤一些不符合条件的结果
        if ip != "" && port > 0 && speed >= 0 && speed < 3 {
            r := &result.Result{
                Ip:       ip,
                Port:     port,
                Location: location,
                Speed:    speed,
                Source:   c.currentUrl}

            // 把符合条件的结果放进channel
            ch <- r
        }
    })
}

// github.com\AceDarkkinght\GoProxyCollector\collector\regexCollector.go
func (c *RegexCollector) Collect(ch chan<- *result.Result) {
    response, bodyString, errs := gorequest.New().Get(c.currentUrl).Set("User-Agent", util.RandomUA()).End()
    
    /* 省略部分代码 */

    // 用正则匹配。
    regex := regexp.MustCompile(c.selectorMap["ip"])
    ipAddresses := regex.FindAllString(bodyString, -1)
    if len(ipAddresses) <= 0 {
        seelog.Errorf("can not found correct format ip address in url:%s", c.currentUrl)
        return
    }

    for _, ipAddress := range ipAddresses {
        temp := strings.Split(ipAddress, ":")
        if len(temp) == 2 {
            port, _ := strconv.Atoi(temp[1])
            if port <= 0 {
                continue
            }

            r := &result.Result{
                Ip:     temp[0],
                Port:   port,
                Source: c.currentUrl,
            }

            ch <- r
        }
    }
}

• result

  result很简单，只是用来表示collector爬取的结果。

// github.com\AceDarkkinght\GoProxyCollector\result\result.go
type Result struct {
    Ip       string  `json:"ip"`
    Port     int     `json:"port"`
    Location string  `json:"location,omitempty"`
    Source   string  `json:"source"`
    Speed    float64 `json:"speed,omitempty"`
}

• scheduler

  scheduler负责完成一些初始化的工作以及调度collector任务。不同的任务在不同的goroutine中运行，goroutine之间通过channel进行通信。

// github.com\AceDarkkinght\GoProxyCollector\scheduler\scheduler.go
func Run(configs *collector.Configs, storage storage.Storage) {
    /* 省略部分代码 */

    for {
        var wg sync.WaitGroup

        for _, configuration := range configs.Configs {
            wg.Add(1)
            go func(c collector.Config) {
                // 防止死锁。
                defer wg.Done()

                // 处理panic。
                defer func() {
                    if r := recover(); r != nil {
                        seelog.Criticalf("collector %s occur panic %v", c.Name, r)
                    }
                }()

                col := c.Collector()
                done := make(chan bool, 1)

                go func() {
                    runCollector(col, storage)
                    // 完成时发送信号。
                    done <- true
                }()

                // 设置timeout防止goroutine运行时间过长。
                select {
                case <-done:
                    seelog.Debugf("collector %s finish.", c.Name)
                case <-time.After(7 * time.Minute):
                    seelog.Errorf("collector %s time out.", c.Name)
                }

            }(configuration)
        }

        // 等待所有collector完成。
        wg.Wait()
        seelog.Debug("finish once, sleep 10 minutes.")
        time.Sleep(time.Minute * 10)
    }
}

• server

  server启动了一个服务器，提供API

• storage

  storage提供了存储相关的interface和实现。

// github.com\AceDarkkinght\GoProxyCollector\storage\storage.go
type Storage interface {
    Exist(string) bool
    Get(string) []byte
    Delete(string) bool
    AddOrUpdate(string, interface{}) error
    GetAll() map[string][]byte
    Close()
    GetRandomOne() (string, []byte)
}

目前项目的数据都是存储在boltdb。github上面关于boltdb的简介如下：

Bolt is a pure Go key/value store inspired by Howard Chu‘s LMDB project. The goal of the project is to provide a simple, fast, and reliable database for projects that don‘t require a full database server such as Postgres or MySQL.
Since Bolt is meant to be used as such a low-level piece of functionality, simplicity is key. The API will be small and only focus on getting values and setting values. That‘s it.

考虑到代理池的数据量比较小，而且当初的想法是实现一个开箱即用的代理池，选择boltdb这样的嵌入式数据库显然是比使用MySQL和MongoDB更加简单、便捷。当然，如果以后需要使用不同的数据库时，只需要实现storage的接口即可。使用boltdb的相关文档和教程在我参考的是：

https://segmentfault.com/a/1190000010098668

https://godoc.org/github.com/boltdb/bolt

• util

  util实现了一些通用方法，例如取一个随机的user-agent，具体就不展开了。

• verifier

  verifier负责验证collector拿到的ip是否可用，可用的入库，不可用的就从数据库中删除。

  配置

  collector是通过配置文件驱动的。配置文件是:

github.com\AceDarkkinght\GoProxyCollector\collectorConfig.xml

举个例子：

<config name="coderbusy">
    <urlFormat>https://proxy.coderbusy.com/classical/https-ready.aspx?page=%s</urlFormat>
    <urlParameters>1,2</urlParameters>
    <collectType>0</collectType>
    <charset>utf-8</charset>
    <valueNameRuleMap>
        <item name="table" rule=".table tr:not(:first-child)"/>
        <item name="ip" rule="td:nth-child(2)" attribute="data-ip"/>
        <item name="port" rule=".port-box"/>
        <item name="location" rule="td:nth-child(3)"/>
        <item name="speed" rule="td:nth-child(10)"/>
    </valueNameRuleMap>
</config>
<config name="89ip">
    <urlFormat>http://www.89ip.cn/tiqv.php?sxb=&amp;tqsl=20&amp;ports=&amp;ktip=&amp;xl=on&amp;submit=%CC%E1++%C8%A1</urlFormat>
    <collectType>1</collectType>
    <charset>utf-8</charset>
    <valueNameRuleMap>
        <item name="ip" rule="((?:(?:25[0-5]|2[0-4]\d|((1\d{2})|([1-9]?\d)))\.){3}(?:25[0-5]|2[0-4]\d|((1\d{2})|([1-9]?\d)))):[1-9]\d*"/>
    </valueNameRuleMap>
</config>

• name是collector的名字，主要作用是方便调试和出错时查问题。
• urlFormat和urlParameters用来拼接出需要爬取的网址。urlParameters可以为空。例如上面第一个配置就是告诉爬虫要爬的网站是：

https://proxy.coderbusy.com/classical/https-ready.aspx?page=1

https://proxy.coderbusy.com/classical/https-ready.aspx?page=2

• collectType表示是用哪个collector，0代表selectorCollector，1代表regexCollector。
• charset表示网站用的是哪种编码。默认编码是UTF-8，如果设置错了可能会拿不到想要的数据。

• valueNameRuleMap表示需要的点的规则。对于使用selectorCollector的网站，大部分结果通过table表示，所以table是必须的，其他点根据不同网站配置即可。相关rule的配置可以参考goquery的文档：

  https://github.com/PuerkitoBio/goquery

结语

关于项目的介绍到这里就差不多了，新手第一次用go写项目如果有什么不足和错误希望大家多多包涵和指出。如果你有疑问和更好的建议也欢迎大家一起探讨~