说到数据爬取，大部分人都会想到使用Scrapy工具，但是仅仅停留在会使用的阶段。但是要真正的成为技术大牛，需要学会更多的爬虫技术，对于爬虫来说突破各种网站的反爬机制也是需要技术能力的。所以今天为了增加对目标网站爬虫机制的理解，我们可以通过手动实现多线程的爬虫过程，同时，引入IP代理池进行基本的反爬操作。
本次使用腾讯新闻网进行爬虫，该网站具有反爬机制，同时数量足够大，多线程效果较为明显。
需要使用到的技术如下
- IP代理池
- 多线程
- 爬虫与反爬
首先，开始分析新闻网的一些数据。经过抓包分析，可知：.https://new.qq.com/d/cd/包含所有新闻数据同时，该地址具有反爬机制，多次访问将会失败的情况。
分析完目标网站的网的数据后，搭建IP代理池，用于反爬作用。由于使用的代理商提供了参考demo，所以本代码里面直接使用的是代理商提供的代码。搭建完IP代理池后，我们开始着手多线程爬取数据的工作。一旦使用多线程，则需要考虑到数据的读写顺序问题。这里使用python中的队列queue进行存储新闻代码，不同线程分别从这个queue中获取新闻代码，并访问指定新闻的数据。由于queue的读取和写入是阻塞的，所以可以确保该过程不会出现读取重复和读取丢失新闻代码的，实现过程如下：
import asyncio
import aiohttp
import threading
from collections import Counter
定义一个全局变量，用于存储分类结果
categories = Counter()
定义一个函数，用于根据文本内容进行分类
def classify(text):
# 这里可以使用任何文本分类的方法，例如正则表达式、机器学习等
# 这里为了简单起见，只使用了简单的字符串匹配
if "Python" in text:
return "Python"
elif "Java" in text:
return "Java"
elif "C++" in text:
return "C++"
else:
return "Other"
async def fetch_page(url, proxy):
# 创建一个 aiohttp 的 ClientSession 对象，并指定代理IP和端口
async with aiohttp.ClientSession(proxy=proxy) as session:
# 使用 session.get 方法发送请求，并获取响应对象
async with session.get(url) as response:
# 返回响应的文本内容
return await response.text()
async def main():
urls = ["https://www.baidu.com/s?wd=" + str(i) for i in range(10)] # 生成十个百度搜索网址
# 假设有一个文件 16yun.txt，每行存储一个代理host和端口，例如 www.16yun.cn:3333
# 读取文件中的所有代理，并存储在一个列表中
with open("16yun.txt") as f:
proxies = [line.strip() for line in f]
tasks = [] # 创建一个空列表，用于存储 task 对象
# 遍历 urls 和 proxies 列表，为每个 url 配对一个 proxy，并创建 task 对象
for url, proxy in zip(urls, proxies):
task = asyncio.create_task(fetch_page(url, proxy))
tasks.append(task)
results = await asyncio.gather(*tasks) # 同时运行所有 task 并获取结果
# 创建一个线程池，用于执行分类任务
pool = threading.ThreadPoolExecutor(max_workers=4)
for result in results:
print(result[:100]) # 打印每个网页的前 100 个字符
# 使用线程池提交一个分类任务，并更新全局变量 categories
category = pool.submit(classify, result).result()
categories[category] += 1
# 关闭线程池并等待所有任务完成
pool.shutdown(wait=True)
# 打印最终的分类结果
print(categories)
asyncio.run(main()) # 运行主协程
网友评论