scrapy-redis搭配splash全站爬虫

上一次爬取BOSS直聘,我高调地在领英上发了几个帖子,结果招来了BOSS直聘一个高管的访问,还好我只爬了100多万职位数据,每天最多爬取8-10万,估计没有给对方服务器带来太大压力,不然我可能因为一时兴起惹了麻烦。

爬取BOSS直聘时我是自建的框架,最关键的突破当然是跨越了selenium阻塞影响并发这道坎儿。实际上,很多情况下设置下Desired_Capability中的page_load policy为’None’,selenium几乎就成了非阻塞了。当然,这个小秘密初学者一般不知道,大都会抱怨selenium的慢。我测试过,采用这种策略,不到1秒就能返回页面数据,印象中应该是几十到几百毫秒吧。

即便如此,我还是没能完美解决selenium超时这个问题,毕竟是模拟浏览器,它在超时的时候往往会停止响应,阻塞下面的流程,怎么设置timeout参数都没用。后来我发现,多进程会稳定很多,多线程timeout带来的阻塞问题在多进程并不是太大的问题,一是线程独立,挂掉一个互不影响,二是如果真的阻塞了可以根据pid来杀死进程重启。当然,我没有用scrapy搭配selenium,以后有机会可以试试。

BOSS直聘的反爬还是有点水平的,主要是它很容易弹出验证码。我用过多贝云和阿布云的隧道代理,两家质量差不多,都不错,只是动态版的IP响应速度会慢一些。问题是每个IP用在BOSS直聘效果不一样,有的估计之前被人用过所以第一次就被BOSS黑了,好点的话一般短时间内爬取好像20页问题不大。当然我还用ADSL自建过代理池,效果一般,主要是ADSL主机只有两个,池子小了容易造成程序等待IP代理。

这次爬取拉勾网,我才用了新的框架,scrapy-redis-splash,研究了几天就上手了。说实话,写这种程序和平时处理分析地震数据思维是一样的,只是工具不同而已。找出问题-问题分解-解决问题,都是这么一个思路。总结下这个框架吧。

  1. scrapy: 成熟框架,容易上手,但是因为是框架,需要多读文档多读源码才行,不是自建的轮子用起来不是很顺手,毕竟不能控制主循环。
  2. redis:因为之前做代理池就用过,这次用起来也很顺手。redis去重和调度并不像文档说的那么简单,比如爬虫重启时会有个问题,硬重启需要删除之前的requests,问题是之前的url虽然爬取过进了dupefilter,但是并没有成功爬取Item,重启后这些就会被过滤了。这个应该不难解决,我有时间看看源码。
  3. splash。这个才是重头戏,splash有个问题就是不释放内存,即使我的笔记本有32G内存也会很快被耗尽,虽然代码中我做了内存监控重启docker,也不是很完美。这个还是小问题,代码中可以监控或者启动docker时限制内存使用即可,大问题是504 gateway timeout,官方文档中和网络上说的设置一个很大的timeout实际上不好使,504照样还是很多,而且我发现只要是504就会阻塞,设置过大了程序有时就卡住了,太小了504就更多。504告诉我们的实际上就是splash没能及时渲染出网页,这个的终极解决方案是HAproxy做一个load balancer,用多个docker instance(2G内存一个都可以),甚至自己的笔记本都能并发多个实例。这里我用了Acquarium, github上有,Acquarium唯一的坑就是在Docker for windows下你可能无法登录8036那个监控页面,这里涉及到了Docker和宿主机的网络问题,比较复杂,启用ubuntu WSL2 backend就好了,然后就能访问127.0.0.1:8036来看负载均衡的状态监控了。
  4. 再说说拉勾网吧,难度很低,几乎没有反爬,甚至不限制IP访问频率!当然,你不能调用网络上盛传的那个端口来获取json,况且那个接口只能获取列表页,不能获取详情页。
  5. IP变化少的情况下要考虑网站的CDN,如果不用多地区的不同IP,爬虫速度很难上去,毕竟CDN节点会有限速啊!

熟悉了框架,就能用它来爬取高难度的网站了。目前计划爬取的几个目标:

  1. 京东。全站爬取估计很费劲,京东自称有500多万sku,京东虽然是树形结构,但是这么多商品肯定要细分类才能爬到更多数据,URL去重无法避免,不同组合之间的元素会有交集啊。因为是电商,还需要它的评论数据,很多热门商品都是几万几十万评论,爬起来也很费时。当然,之前我做过京东商品抢购的脚本,虽然没能抢到茅台,但是能用到这个爬虫中。
  2. 拼多多。电商中的黑马,虽然我从来不用。
  3. 唯品会,媳妇儿的最爱,怎能不光顾下?
  4. 携程,去哪儿,爱彼迎。爱旅游的我自然对他们感兴趣
  5. 出行必备滴滴。这个得看看它的APP,看看有没有接口,估计难度不小。
  6. 12306,爬虫们的最爱。
  7. 小红书,潮人们的必备APP
  8. 抖音,快手,虽然我从来不用,也没有装。刷视频比追剧还要浪费时间
  9. 学习强国,这个PC端我已经写好了,APP端因为目前要用HyperV(docker),不太方便使用安卓模拟器。还需要一个题库API,有时间我做下

不说了,这些够我忙活大半年了。边爬边分析吧。

拉勾网爬虫截屏,单机4进程*10线程, 6个splash instance,200KB/s – 1MB/s,平均2.5个职位/秒

HAPROXY实现splash负载均衡

本来用了Nginx做了负载均衡,但是看到Nginx只有付费版才支持internal queque,所以用HAproxy重新做了负载均衡。

目的:减轻splash节点的负担并且更好地利用资源(splash重启也不怕!)

HA-Proxy version 1.5.18 2016/05/10。为什么要提版本呢?说多了都是泪,linux上的任何软件都有版本特性,比如崔大神的指南我用在了2.3最新版上就无法启动,原因是新版不用init.d脚本了:

https://cuiqingcai.com/4826.html

而且编译起来很麻烦,最后用了懒人办法 yum install haproxy,只需要写配置文件就可以了:

# HAProxy 1.7 config for Splash. It assumes Splash instances are executed
# on the same machine and connected to HAProxy using Docker links.
global
    # raise it if necessary
    maxconn 512
    # required for stats page
    stats socket /tmp/haproxy

userlist users
    user user insecure-password userpass

defaults
    log global
    mode http

    # remove requests from a queue when clients disconnect;
    # see https://cbonte.github.io/haproxy-dconv/1.7/configuration.html#4.2-option%20abortonclose
    option abortonclose

    # gzip can save quite a lot of traffic with json, html or base64 data
    # compression algo gzip
    compression type text/html text/plain application/json

    # increase these values if you want to
    # allow longer request queues in HAProxy
    timeout connect 3600s
    timeout client 3600s
    timeout server 3600s


# visit 0.0.0.0:8036 to see HAProxy stats page
listen stats
    bind *:8036
    mode http
    stats enable
    stats hide-version
    stats show-legends
    stats show-desc Splash Cluster
    stats uri /
    stats refresh 10s
    stats realm Haproxy\ Statistics
    stats auth    username:password


# Splash Cluster configuration
# 代理服务器监听全局的8050端口
frontend http-in
    bind *:8050
    # 如果你需要开启Splash的访问认证
    # 则注释default_backend splash-cluster
    # 并放开其余default_backend splash-cluster 之上的其余注释
    # 账号密码为user  userpass
    # acl auth_ok http_auth(users)
    # http-request auth realm Splash if !auth_ok
    # http-request allow if auth_ok
    # http-request deny

    # acl staticfiles path_beg /_harviewer/
    # acl misc path / /info /_debug /debug

    # use_backend splash-cluster if auth_ok !staticfiles !misc
    # use_backend splash-misc if auth_ok staticfiles
    # use_backend splash-misc if auth_ok misc
    default_backend splash-cluster


backend splash-cluster
    option httpchk GET /
    balance leastconn

    # try another instance when connection is dropped
    retries 2
    option redispatch
    # 将下面IP地址替换为你自己的Splash服务IP和端口
    # 按照以下格式一次增加其余的Splash服务器
    server splash-0 x.x.x.x:8050 check maxconn 5 inter 2s fall 10 observe layer4
    server splash-1 x.x.x.x:8050 check maxconn 5 inter 2s fall 10 observe layer4

backend splash-misc
    balance roundrobin
    # 将下面IP地址替换为你自己的Splash服务IP和端口
    # 按照以下格式一次增加其余的Splash服务器
    server splash-0 x.x.x.x:8050 check fall 15
    server splash-1 x.x.x.x:8050 check fall 15