说到python爬虫，我们就会想到它那强大的库，很多新手小白在选择框架的时候都会想到使用Scrapy，但是仅仅停留在会使用的阶段。在实际爬虫过程中遇到反爬机制是再常见不过的，今天为了增加对爬虫机制的理解，我们就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。 这里我们就以天天基金数据为实际项目，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。所以这里需要使用的到的技术路线有 IP代理池 多线程 爬虫与反爬 通过基础的分析天天基金网的一些数据。经过抓包分析，可知：./fundcode_search.js包含所有基金的数据，同时，该地址具有反爬机制，多次访问将会失败甚至封IP的情况。分析完天天基金网的数据后，我们选择使用搭建IP代理池，用于反爬作用。代理池直接通过代理厂家提供就可以，有太多的代理很多同学不知道怎么选择，经过多年爬虫经验和使用代理的经验这里推荐亿牛云代理，长期使用不管是代理质量还是售后服务都是优于其他代理长家的。 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，就需要考虑到一些爬取中会出现的问题。接下来的实际就是，python使用aiohttp 通过设置代理IP获取数据的过程：
import asyncio import aiohttp from aiohttp_socks import ProxyConnector from bs4 import BeautifulSoup # 定义目标网站和代理服务器的参数 url = "http://fund.eastmoney.com/fund.html#os_0;isall_0;ft_;pt_1" proxy = "socks5://16yun:16ip@www.16yun.cn:11111" # 定义异步函数来发送GET请求，并使用代理服务器来连接目标网站 async def fetch(session, url): try: async with session.get(url) as response: # 检查响应状态码是否为200，否则抛出异常 if response.status != 200: raise Exception(f"Bad status code: {response.status}") # 返回响应内容的文本格式 return await response.text() except Exception as e: # 打印异常信息，并返回None print(e) return None # 定义异步函数来处理响应结果，并解析HTML内容 async def parse(html): # 如果响应结果不为空，则进行解析操作 if html is not None: # 使用bs4库来创建BeautifulSoup对象，并指定解析器为html.parser soup = BeautifulSoup(html, "html.parser") # 提取网页中的标题标签，并打印其文本内容 title = soup.find("title") print(title.text) else: # 否则打印None表示无效结果 print(None) # 定义异步函数来统计成功次数，并打印结果 async def count(results): # 初始化成功次数为0 success = 0 # 遍历所有的结果，如果不为空，则增加成功次数，否则跳过 for result in results: if result is not None: success += 1 # 打印总共的请求数和成功次数 print(f"Total requests: {len(results)}") print(f"Success requests: {success}") # 定义异步主函数来创建并运行多个协程任务，并控制并发数量和超时时间等参数 async def main(): # 创建一个aiohttp_socks.ProxyConnector对象，用来设置代理服务器的参数 connector = ProxyConnector.from_url(proxy) # 创建一个aiohttp.ClientSession对象，用来发送HTTP请求，并传入connector参数 async with aiohttp.ClientSession(connector=connector) as session: # 创建一个空列表，用来存储所有的协程任务 tasks = [] # 循环10000次，每次创建一个fetch函数的协程任务，并添加到列表中 for i in range(10000): task = asyncio.create_task(fetch(session, url)) tasks.append(task) # 使用asyncio.gather函数来收集并执行所有的协程任务，并返回一个包含所有结果的列表 results = await asyncio.gather(*tasks) # 创建一个空列表，用来存储所有的解析任务 parse_tasks = [] for result in results: parse_task = asyncio.create_task(parse(result)) parse_tasks.append(parse_task) await asyncio.gather(*parse_tasks) await count(results) # 在程序入口处调用异步主函数，并启动事件循环 if __name__ == "__main__": asyncio.run(main())