Python培训

400-996-5531

热门课程:

Python培训 > Python教程知识 > 正文

python培训带你了解最新实用的python异步爬虫代理池

发布：陈键冬
来源：Python中文社区
时间：2018-05-25 14:08

每天学习一点点，每天进步一小步，python培训是你永远的加油站，现在来看我们今天带来的分享：最新实用的python异步爬虫代理池。

项目地址

https://github.com/chenjiandongx/async-proxy-pool

Async Proxy Pool

异步爬虫代理池，以 Python asyncio 为基础，旨在充分利用 Python 的异步性能。

运行环境

项目使用了 sanic，一个异步网络框架。所以建议运行 Python 环境为 Python3.5+，并且 sanic 不支持 Windows 系统，Windows 用户(比如我 smile)可以考虑使用 Ubuntu on Windows。

如何使用

安装 Redis

项目数据库使用了 Redis，Redis 是一个开源(BSD 许可)的，内存中的数据结构存储系统，它可以用作数据库、缓存和消息中间件。所以请确保运行环境已经正确安装了 Redis。安装方法请参照官网指南。

下载项目源码

$ git clone https://github.com/chenjiandongx/async-proxy-pool.git

安装依赖

使用 requirements.txt

$ pip install -r requirements.txt

使用 pipenv Pipfile

$ pipenv install

配置文件

配置文件 config.py，保存了项目所使用到的所有配置项。如下所示，用户可以根据需求自行更改。不然按默认即可。

#!/usr/bin/env python

# coding=utf-8

# 请求超时时间(秒)

REQUEST_TIMEOUT =15

# 请求延迟时间(秒)

REQUEST_DELAY =0

# redis 地址

REDIS_HOST ="localhost"

# redis 端口

REDIS_PORT =6379

# redis 密码

REDIS_PASSWORD =None

# redis set key

REDIS_KEY ="proxies"

# redis 连接池最大连接量

REDIS_MAX_CONNECTION =20

# REDIS SCORE 最大分数

MAX_SCORE =10

# REDIS SCORE 最小分数

MIN_SCORE =0

# REDIS SCORE 初始分数

INIT_SCORE =9

# sanic web host

SANIC_HOST =

"localhost"

# sanic web port

SANIC_PORT =3289

# 是否开启 sanic 日志记录

SANIC_ACCESS_LOG =True

# 批量测试数量

VALIDATOR_BATCH_COUNT =256

# 校验器测试网站，可以定向改为自己想爬取的网站，如新浪，知乎等

VALIDATOR_BASE_URL =

"#/"

# 校验器循环周期(分钟)

VALIDATOR_RUN_CYCLE =15

# 爬取器循环周期(分钟)

CRAWLER_RUN_CYCLE =30

# 请求 headers

HEADERS = {

"X-Requested-With"

:

"XMLHttpRequest"

,

"User-Agent"

:

"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 "

"(KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36"

,

}

运行项目、运行客户端，启动收集器和校验器

运行服务器，启动 web 服务

$ python server.py

[

2018-05-16 23:36:22 +0800

] [

108

] [INFO]

Goin

' Fast @ http://localhost:3289

[2018-05-16 23:36:22 +0800] [108] [INFO] Starting worker [108]

总体架构

项目主要几大模块分别是爬取模块，存储模块，校验模块，调度模块，接口模块。

爬取模块负责爬取代理网站，并将所得到的代理存入到数据库，每个代理的初始化权值为 INIT_SCORE。

存储模块封装了 Redis 操作的一些接口，提供 Redis 连接池。

校验模块验证代理 IP 是否可用，如果代理可用则权值 +1，最大值为 MAX_SCORE。不可用则权值 -1，直至权值为 0 时将代理从数据库中删除。

调度模块负责调度爬取器和校验器的运行。

接口模块使用 sanic 提供 WEB API 。

欢迎页面

$ http http:

//localhost:3289/

HTTP/

1.1

200

OK

Connection

: keep-alive

Content

-

Length

:

42

Content

-

Type

: application/json

Keep

-

Alive

:

5

{

"Welcome"

:

"This is a proxy pool system."

}

/pop

随机返回一个代理，分三次尝试。

尝试返回权值为 MAX_SCORE，也就是最新可用的代理。

尝试返回随机权值在 (MAXSCORE -3) - MAXSCORE 之间的代理。

尝试返回权值在 0 - MAX_SCORE 之间的代理

$ http http://localhost:3289/pop

HTTP/

1.1

200

OK

Connection

: keep-alive

Content

-

Length

:

38

Content

-

Type

: application/json

Keep

-

Alive

:

5

{

"http"

:

"http://46.48.105.235:8080"

}

/get/<count:int>

返回指定数量的代理，权值从大到小排序。

$ http http://localhost:3289/get/10

HTTP/

1.1

200

OK

Connection

: keep-alive

Content

-

Length

:

393

Content

-

Type

: application/json

Keep

-

Alive

:

5

[

{

"http"

:

"http://94.177.214.215:3128"

},

{

"http"

:

"http://94.139.242.70:53281"

},

{

"http"

:

"http://94.130.92.40:3128"

},

{

"http"

:

"http://82.78.28.139:8080"

},

{

"http"

:

"http://82.222.153.227:9090"

},

{

"http"

:

"http://80.211.228.238:8888"

},

{

"http"

:

"http://80.211.180.224:3128"

},

{

"http"

:

"http://79.101.98.2:53281"

},

{

"http"

:

"http://66.96.233.182:8080"

},

{

"http"

:

"http://61.228.45.165:8080"

}

]

/count

返回代理池中所有代理总数

$ http http:

//localhost:3289/count

HTTP/

1.1

200

OK

Connection

: keep-alive

Content

-

Length

:

15

Content

-

Type

: application/json

Keep

-

Alive

:

5

{

"count"

:

"698"

}

/count/<score:int>

返回指定权值代理总数

$ http http:

//localhost:3289/count/10

HTTP/

1.1

200

OK

Connection

: keep-alive

Content

-

Length

:

15

Content

-

Type

: application/json

Keep

-

Alive

:

5

{

"count"

:

"143"

}

/clear/<score:int>

删除权值小于等于 score 的代理

$ http http:

//localhost:3289/clear/0

HTTP/

1.1

200

OK

Connection

: keep-alive

Content

-

Length

:

22

Content

-

Type

: application/json

Keep

-

Alive

:

5

{

"Clear"

:

"Successful"

}

扩展爬取网站

在 crawler.py 文件里新增你自己的爬取方法。

class

Crawler

:

@staticmethod

def

run():

...

# 新增你自己的爬取方法

@staticmethod

@collect_funcs

# 加入装饰器用于最后运行函数

def

crawl_xxx():

# 爬取逻辑

sanic 性能测试

使用 wrk 进行服务器压力测试。基准测试 30 秒, 使用 12 个线程, 并发 400 个 http 连接。

测试 http://127.0.0.1:3289/pop

$ wrk -t12 -c400 -d30s http:

//127.0.0.1:3289/pop

Running

30s

test @ http:

//127.0.0.1:3289/pop

12

threads

and

400

connections

Thread

Stats

Avg

Stdev

Max

+/-

Stdev

Latency

350.37ms

118.99ms

660.41ms

60.94

%

Req

/

Sec

98.18

35.94

277.00

79.43

%

33694

requests

in

30.10s

,

4.77MB

read

Socket

errors: connect

0

, read

340

, write

0

, timeout

0

Requests

/sec:

1119.44

Transfer

/sec:

162.23KB

测试 http://127.0.0.1:3289/get/10

Running

30s

test @ http:

//127.0.0.1:3289/get/10

12

threads

and

400

connections

Thread

Stats

Avg

Stdev

Max

+/-

Stdev

Latency

254.90ms

95.43ms

615.14ms

63.51

%

Req

/

Sec

144.84

61.52

320.00

66.58

%

46538

requests

in

30.10s

,

22.37MB

read

Socket

errors: connect

0

, read

28

, write

0

, timeout

0

Requests

/sec:

1546.20

Transfer

/sec:

761.02KB

性能还算不错，再测试一下没有 Redis 操作的 http://127.0.0.1:3289/

$ wrk -t12 -c400 -d30s http:

//127.0.0.1:3289/

Running

30s

test @ http:

//127.0.0.1:3289/

12

threads

and

400

connections

Thread

Stats

Avg

Stdev

Max

+/-

Stdev

Latency

127.86ms

41.71ms

260.69ms

55.22

%

Req

/

Sec

258.56

92.25

520.00

68.90

%

92766

requests

in

30.10s

,

13.45MB

read

Requests

/sec:

3081.87

Transfer

/sec:

457.47KB

Requests/sec: 3081.87

关闭 sanic 日志记录，测试 http://127.0.0.1:3289/

$ wrk -t12 -c400 -d30s http:

//127.0.0.1:3289/

Running

30s

test @ http:

//127.0.0.1:3289/

12

threads

and

400

connections

Thread

Stats

Avg

Stdev

Max

+/-

Stdev

Latency

34.63ms

12.66ms

96.28ms

58.07

%

Req

/

Sec

0.96k

137.29

2.21k

73.29

%

342764

requests

in

30.10s

,

49.69MB

read

Requests

/sec:

11387.89

Transfer

/sec:

1.65MB

Requests/sec: 11387.89

实际代理性能测试

test_proxy.py 用于测试实际代理性能

运行代码

$ cd test

$ python test_proxy.py

# 可设置的环境变量

TEST_COUNT = os.environ.

get

(

"TEST_COUNT"

)

or

1000

TEST_WEBSITE = os.environ.

get

(

"TEST_WEBSITE"

)

or

"#/"

TEST_PROXIES = os.environ.

get

(

"TEST_PROXIES"

)

or

"http://localhost:3289/get/20"

实测效果

测试代理： http://localhost:3289/get/20

测试网站： #/

测试次数：1000

成功次数：1000

失败次数：0

成功率：1.0

测试代理： http://localhost:3289/get/20

测试网站： #/

测试次数：1000

成功次数：984

失败次数：16

成功率：0.984

https://baidu.com

测试代理： http://localhost:3289/get/20

测试网站： https://baidu.com

测试次数：1000

成功次数：975

失败次数：25

成功率：0.975

测试代理： http://localhost:3289/get/20

测试网站： #

测试次数：1000

成功次数：1000

失败次数：0

成功率：1.0

可以看到其实性能是非常棒的，成功率极高。 wink

实际应用示例

import

random

import

requests

# 确保已经启动 sanic 服务

# 获取多个然后随机选一个

try

:

proxies = requests.

get

(

"http://localhost:3289/get/20"

).json()

req = requests.

get

(

"#"

, proxies=random.choice(proxies))

except

:

raise

# 或者单独弹出一个

try

:

proxy = requests.

get

(

"http://localhost:3289/pop"

).json()

req = requests.

get

(

"#"

, proxies=proxy)

except

:

raise

aiohttp 的坑

整个项目都是基于 aiohttp 这个异步网络库的，在这个项目的文档中，关于代理的介绍是这样的。

代理的介绍