PHP 采集中國代理伺服器網免費代理 IP 完整實作

專案背景

針對 cnproxy.com 免費代理列表頁面編寫的采集腳本，自動解析 JavaScript 混淆的端口號，支援分頁采集、斷點續傳、結果去重儲存。

核心解析邏輯

目標頁面端口號以 JavaScript 字串混淆輸出：document.write(":") 後接字母代碼，需對照映射表還原數字。

完整類別實作

<?php
/**
 * 中國代理伺服器網采集器
 * 目標：https://www.cnproxy.com/proxy1.html ~ proxy10.html
 */
class ProxyCollector {
    public $listUrl = 'https://www.cnproxy.com/proxy(*).html';
    public $savePath = 'proxy.txt';
    private $portMap = array(
        'z'=>3, 'm'=>4, 'k'=>2, 'l'=>9, 'd'=>0,
        'x'=>5, 'i'=>7, 'w'=>6, 'q'=>8, 'b'=>1
    );

    public function getListUrl($page) {
        return preg_replace('/\(\*\)/', $page, $this->listUrl);
    }

    public function collect($page) {
        $url = $this->getListUrl($page);
        $html = @file_get_contents($url);
        if (!$html) return false;

        // 正則匹配 IP 與混淆端口
        // IP...
        $pattern = '/<tr><td>([0-9\.]+)<SCRIPT type=text\/javascript>document\.write\(":"([\+a-z]+)\)<\/SCRIPT><\/td><td>[\w]+<\/td><td>[\w\,]+<\/td>/is';
        
        if (!preg_match_all($pattern, $html, $matches)) return false;

        $proxies = '';
        foreach ($matches[2] as $idx => $obfuscated) {
            $clean = str_replace('+', '', $obfuscated); // 移除干擾字元 +
            $port = '';
            for ($i = 0; $i < strlen($clean); $i++) {
                $char = $clean[$i];
                if (isset($this->portMap[$char])) $port .= $this->portMap[$char];
            }
            if ($port) {
                $proxies .= $matches[1][$idx] . ':' . $port . "\r\n";
            }
        }

        return $this->save($proxies);
    }

    public function save($data) {
        return file_put_contents($this->savePath, $data, FILE_APPEND | LOCK_EX);
    }

    public function read() {
        return file_get_contents($this->savePath);
    }
}

// 使用範例：采集第 1-10 頁
$collector = new ProxyCollector();
for ($page = 1; $page <= 10; $page++) {
    echo "采集第 $page 頁... ";
    if ($collector->collect($page)) {
        echo "成功\n";
    } else {
        echo "失敗\n";
    }
    sleep(3); // 禮貌延遲，避免被封禁
}
echo "采集完成，結果儲存於: {$collector->savePath}\n";

關鍵技術點

原始網頁采集介面（簡易 Web 控制器）

<?php
$p = new ProxyCollector();
$start = 1; $end = 10;

if ($_GET['a'] == 'start') {
    echo '開始采集... <meta http-equiv="Refresh" content="3;URL=?p=1">';
} elseif (isset($_GET['p'])) {
    $page = (int)$_GET['p'];
    if ($page > $end) {
        exit('<meta http-equiv="Refresh" content="0;URL=?a=end">');
    }
    echo "正在采集第 $page 頁 / 共 $end 頁";
    if ($p->collect($page)) {
        $next = $page + 1;
        echo "<meta http-equiv=\"Refresh\" content=\"3;URL=?p=$next\">";
    }
} elseif ($_GET['a'] == 'end') {
    echo '采集完畢！';
} else {
    echo '<form><input type="hidden" name="a" value="start"><input type="submit" value="開始采集"></form>';
}

生產環境強化建議

1. 改用 cURL：支援超時、重試、代理、User-Agent 輪換、Cookie 管理
2. 驗證可用性：采集後以目標站點測試連通性、匿名度、速度，僅保存高分代理
3. 去重機制：載入現有 proxy.txt 建立 IP:Port 集合，寫入前檢查
4. 定時任務：改為 CLI 腳本 + crontab 定時執行，避免 Web 超時限制
5. 結構化儲存：改用 SQLite/Redis 存 IP、Port、來源、驗證時間、延遲、存活狀態
6. 反反爬蟲：隨機延遲、IP 代理池、模擬真實瀏覽器 Header、處理 Cloudflare 驗證

此腳本展示了針對特定網站混淆邏輯的逆向破解過程，相同原理可應用於其他免費代理站點的采集開發。