最近在写一个基于代理池的高并发爬虫,目标是用单机从某网站 API 爬取十亿级别的JSON数据。

代理池

有两种方式能够实现爬虫对代理池的充分利用:

  1. 搭建一个 Tunnel Proxy 服务器维护代理池
  2. 在爬虫项目内部自动切换代理

所谓 Tunnel Proxy 实际上是将切换代理的操作交给了代理服务器,很多市面上的代理软件都有此类功能。

如果要自行搭建可参考以下项目:

  • GitHub - urdr-gungnir/TunnelProxy

  • GitHub - pingc0y/go_proxy_pool

考虑到高并发,在爬虫项目内部切换代理更加灵活一些。代理池选一个能用的就行:GitHub - jhao104/proxy_pool

记得加上匿名校验:能否设置代理池只获取高匿IP · Issue #169 · jhao104/proxy_pool · GitHub

代理切换策略

如果简单的在多线程中对每个 requests.get() 使用不同的代理,那么一定会遇到内存泄露的问题:

  • 内存泄露问题 · Issue #522 · jhao104/proxy_pool · GitHub
  • Requests memory leak · Issue #4601 · psf/requests · GitHub
  • Memory Leak in Python requests - GeeksforGeeks

即便写成:

session = requests.session()
response = session.get(url, headers=headers, proxies=proxies)
response.close()
session.close()

甚至在加上 gc.collect() 也无济于事。

因此需要控制创建 session 对象的数量,只在请求失败后切换代理和创建新的 session。

工作流程

【Python】爬虫实战-基于代理池的高并发爬虫

① 主线程根据 URL 数量动态创建子进程,虚线框内为子进程任务

② crawler_task 为线程任务,执行发送请求和解析JSON

插入策略

每个子进程维护一个 url_queue 和 insert_queue。

线程会从 url_queue 取出URL执行爬取任务,由于JSON数据占用的空间不大,所以线程会先将每个 response 经过简单解析后存到列表中。

等到 url_queue 为空时(不要使用不安全的 queue.empty() 判断),get 方法会触发 Timeout 异常,然后线程会将列表插入到 insert_queue 中。

所有线程任务结束后,子进程再执行 executemany 将数据批量插入到 MySQL。

其他

爬取JSON数据产生的流量不大,但需要考虑 PPS(packet per second),如果网络设施不到位的话可能严重影响爬取效率。

网络上获取的免费代理大多是透明代理,如果使用开源项目 Proxy_Pool 作为代理池并加入匿名校验,可能会间歇性导致代理池没有可用代理。(所以最好还是从一些网络空间测绘引擎上通过特征抓取)

声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。