分布式爬虫需要代理IP优化采集，因为技术人员在使用分布式爬虫，或是多进程爬虫的时候，目标一旦限制，很有可能会使用到代理IP。因此对于代理IP的寻找还是需要重视的。

　　做爬虫使用的代理IP一定不能是开放的，一定要找高匿私密代理IP

　　动态IP—企业级稳定高匿代理IP

　　动态IP-- 企业级稳定、高速、高匿代理IP、千万IP出口池，爬虫的不二之选。

　　怎么样才能最优化的使用代理IP进行数据采集呢？下面小编会提供一些思路，一般都会有这几种方式：

　　分布式爬虫需要代理IP优化采集

　　推荐：【方案一】先导入数据库，从数据库里面取IP，大概逻辑如下：

　　step1：在数据库里面建一个表，写一个导入脚本，每分钟请求60次API，把IP列表导入到数据库里面（接口返回的是实时可用的，百变IP会实时检测，你的检查肯定没有我们这边实时，如果接口里面没有而数据库里面有，则删除或者标记为不可用，反之则插入或者更新。）。

　　step2：一定是每分钟请求60次，不要每分钟3次或者每分钟5次。知道为什么吗？比如一个IP的有效期从18:00:01分开始算有效期60秒，你18:00:00来请求的时候是拿不到的，当你18:00:20来拿的时候，它只剩下40秒了，就是有可能少20秒。

　　step3：在数据库里面记录好 导入时间、IP、Port、过期时间、当前有多少进程在使用这个IP IP可用状态 等字段；

　　step4：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，获取一个 状态可用，使用的进程少的IP，当然也可以控制每个进程只使用一个IP，如果没有符合条件的IP，则循环Sleep 1秒等待新的IP出现。

　　step5：执行抓取，对结果进行判断，处理cookie等，只要出现验证码或者失败就放弃这个IP（在数据库里面标记为不可用或者直接删除，另外如果是标记为不可用的话，如果目标站只封1小时，那可以1小时以后如果接口里面又返回这个IP，那可以再标记为可用），重新换一个IP。

　　动态IPIP动态转发支持免提取调用。

　　方式一：使用动态IPIP，统一入口，支持免提取调用，设置白名单后即可使用，支持每次请求随机一个IP出口，或者多次请求使用同一个IP作为出口。

　　通道A：proxy.hemaip.com:8000 每次随机一个出口IP。

　　通道B：proxy.hemaip.com:8001~8020 这20个端口，每次请求都会固定一个出口IP，IP有效期1-5分钟。如果在请求之前想知道出口IP和剩余可用时间，可通过这个接口获取。

　　通道A和使用B调用方式完全一样，不用做任何额外改造，只需要在程序中控制请求端口号就行了（比如你用通道B的8001端口，然后现在想换一个IP当出口，只需要换8002就好了，不需要发送换IP的命令给我们），超级方便，机灵IP会自动切换后端出

　　下面是比较麻烦的方式，一般是不建议使用的

　　【方案二】每个进程从接口API中随机取一个IP列表进行循环使用，如果失败则那么就再调用API获取，大概逻辑如下：

　　step1：每个进程（或线程），从接口随机取回一批IP回来，循环尝试IP列表去抓取数据；

　　step2：如果访问成功，则继续抓下一条

　　step3：如果失败了（比如超时、出现验证码等），再从接口随机取一个IP，继续尝试。

　　方案二是最错误且最低效的办法，原因如下：

　　我们知道每个IP都是有有效期的，当你取回来一个列表的时候，比如列表里面第一个IP有效期100秒，第二个有效期80秒，第三个110秒，第四个50秒，当你尝试第一个的时候比如一直成功用了50秒，然后被封，要换IP了，继续尝试第二个，这时候第二个有效期已经还剩余30秒了，第四个已经过期了。如果你设置HTTP请求的时候连接时间超时为3秒，读取时间超时为5秒，那你将会有可能浪费3-8秒的时间，说不定这3-8秒已经可以抓取几十次了。

　　方案三能跑，但是小编也不是特别的建议大家用

　　【方案三】每个进程从接口API中随机取一个IP来使用，失败则再调用API获取，大概逻辑如下：

　　step1：每个进程（或线程），从接口随机取回一个IP来，用这个IP去访问资源，

　　step2：如果访问成功，则继续抓下一条

　　step3：如果失败了（比如超时、出现验证码等），再从接口随机取一个IP，继续尝试。

　　方案弊端：

　　A、压力和效率：API调取十分频繁，会对机灵IP的接口造成压力，另外你调用的时候也会耗时比如每次耗时100ms，浪费时间，压力这个目前还好，我们的API直接用Nginx读取Redis，接口性能没有问题。

　　B、资源竞争：比如你15个进程同时随机去取，例如我们IP池同时有30个可用，因为是随机取一个，所以不能保证两个或多个进程不取到同一个IP，这样频率高了，对方就有可能封这个IP。倒是可以调用接口的去重功能。

　　C、遇到被封的IP，你也无法告诉API，下次不会给你返回被封IP了。当前API去重只能保证每天不重复。隔天是有可能重复的，因为有些IP当天被封，隔天说不定就可以用了，这些阈值还是使用方自己控制比较好。

　　所以，尽可能做个策略，尽可能让每个进程（或线程）使用一个IP，不要多个进程使用一个IP。

　　以上介绍了分布式爬虫需要代理IP优化采集，还提供了几个优化的思路，仅供大家参考下的。