【Python】爬虫实战-基于代理池的高并发爬虫

发布时间：2023-01-30 文章分类：编程知识 投稿人：李佳 字号： 默认 | 大 | 超大 打印

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：

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：

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）

标签 , ,