簡介
提到爬蟲，大部分人都會想到使用Scrapy工具，但是僅僅停留在會使用的階段。為了增加對爬蟲機制的理解，我們可以手動實現多線程的爬蟲過程，同時，引入IP代理池進行基本的反爬操作。
本次使用天天基金網進行爬蟲，該網站具有反爬機制，同時數量足夠大，多線程效果較為明顯。
技術路線
- IP代理池
- 多線程
- 爬蟲與反爬
編寫思路
首先，開始分析天天基金網的一些數據。經過抓包分析，可知：
./fundcode_search.js包含所有基金的數據，同時，該地址具有反爬機制，多次訪問將會失敗的情況。
同時，經過分析可知某只基金的相關信息地址為:fundgz.1234567.com.cn/js/ + 基金代碼 + .js
分析完天天基金網的數據后，搭建IP代理池，用于反爬作用。點擊這里搭建代理池，由于該作者提供了一個例子，所以本代碼里面直接使用的是作者提供的接口。如果你需要更快速的獲取到普匿IP，則可以自行搭建一個本地IP代理池。
# 返回一個可用代理，格式為ip:端口
# 該接口直接調用github代理池項目給的例子，故不保證該接口實時可用
# 建議自己搭建一個本地代理池，這樣獲取代理的速度更快
# 代理池搭建github地址https://github.com/1again/ProxyPool
# 搭建完畢后，把下方的proxy.1again.cc改成你的your_server_ip，本地搭建的話可以寫成127.0.0.1或者localhost
def get_proxy():
data_json = requests.get("http://proxy.1again.cc:35050/api/v1/proxy/?type=2").text
data = json.loads(data_json)
return data['data']['proxy']
搭建完IP代理池后，我們開始著手多線程爬取數據的工作。一旦使用多線程，則需要考慮到數據的讀寫順序問題。這里使用python中的隊列queue進行存儲基金代碼，不同線程分別從這個queue中獲取基金代碼，并訪問指定基金的數據。由于queue的讀取和寫入是阻塞的，所以可以確保該過程不會出現讀取重復和讀取丟失基金代碼的情況。
# 將所有基金代碼放入先進先出FIFO隊列中
# 隊列的寫入和讀取都是阻塞的，故在多線程情況下不會亂
# 在不使用框架的前提下，引入多線程，提高爬取效率
# 創建一個隊列
fund_code_queue = queue.Queue(len(fund_code_list))
# 寫入基金代碼數據到隊列
for i in range(len(fund_code_list)):
#fund_code_list[i]也是list類型，其中該list中的第0個元素存放基金代碼
fund_code_queue.put(fund_code_list[i][0])
現在，開始編寫如何獲取指定基金的代碼。首先，該函數必須先判斷queue是否為空，當不為空的時候才可進行獲取基金數據。同時，當發現訪問失敗時，則必須將我們剛剛取出的基金代碼重新放回到隊列中去，這樣才不會導致基金代碼丟失。
# 獲取基金數據
def get_fund_data():
# 當隊列不為空時
while (not fund_code_queue.empty()):
# 從隊列讀取一個基金代碼
# 讀取是阻塞操作
fund_code = fund_code_queue.get()
# 獲取一個代理，格式為ip:端口
proxy = get_proxy()
# 獲取一個隨機user_agent和Referer
header = {'User-Agent': random.choice(user_agent_list),
'Referer': random.choice(referer_list)
}
try:
req = requests.get("http://fundgz.1234567.com.cn/js/" + str(fund_code) + ".js", proxies={"http": proxy}, timeout=3, headers=header)
except Exception:
# 訪問失敗了，所以要把我們剛才取出的數據再放回去隊列中
fund_code_queue.put(fund_code)
print("訪問失敗，嘗試使用其他代理訪問")
當訪問成功時，則說明能夠成功獲得基金的相關數據。當我們在將這些數據存入到一個.csv文件中，會發現數據出現錯誤。這是由于多線程導致，由于多個線程同時對該文件進行寫入，導致出錯。所以需要引入一個線程鎖，確保每次只有一個線程寫入。
# 申請獲取鎖，此過程為阻塞等待狀態，直到獲取鎖完畢
mutex_lock.acquire()
# 追加數據寫入csv文件，若文件不存在則自動創建
with open('./fund_data.csv', 'a+', encoding='utf-8') as csv_file:
csv_writer = csv.writer(csv_file)
data_list = [x for x in data_dict.values()]
csv_writer.writerow(data_list)
# 釋放鎖
mutex_lock.release()
至此，大部分工作已經完成了。為了更好地實現偽裝效果，我們對header進行隨機選擇。
# user_agent列表
user_agent_list = [
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER',
'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)',
'Mozilla/5.0 (Windows NT 5.1) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 SE 2.X MetaSr 1.0',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Maxthon/4.4.3.4000 Chrome/30.0.1599.101 Safari/537.36',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 UBrowser/4.0.3214.0 Safari/537.36'
]
# referer列表
referer_list = [
'http://fund.eastmoney.com/110022.html',
'http://fund.eastmoney.com/110023.html',
'http://fund.eastmoney.com/110024.html',
'http://fund.eastmoney.com/110025.html'
]
# 獲取一個隨機user_agent和Referer
header = {'User-Agent': random.choice(user_agent_list),
'Referer': random.choice(referer_list)
}
最后，在main中，開啟線程即可。
# 創建一個線程鎖，防止多線程寫入文件時發生錯亂
mutex_lock = threading.Lock()
# 線程數為50，在一定范圍內，線程數越多，速度越快
for i in range(50):
t = threading.Thread(target=get_fund_data,name='LoopThread'+str(i))
t.start()
通過對多線程和IP代理池的實踐操作，能夠更加深入了解多線程和爬蟲的工作原理。當你在使用一些爬蟲框架的時候，就能夠做到快速定位錯誤并解決錯誤。
數據格式
000056,建信消費升級混合,2019-03-26,1.7740,1.7914,0.98,2019-03-27 15:00
000031,華夏復興混合,2019-03-26,1.5650,1.5709,0.38,2019-03-27 15:00
000048,華夏雙債增強債券C,2019-03-26,1.2230,1.2236,0.05,2019-03-27 15:00
000008,嘉實中證500ETF聯接A,2019-03-26,1.4417,1.4552,0.93,2019-03-27 15:00
000024,大摩雙利增強債券A,2019-03-26,1.1670,1.1674,0.04,2019-03-27 15:00
000054,鵬華雙債增利債券,2019-03-26,1.1697,1.1693,-0.03,2019-03-27 15:00
000016,華夏純債債券C,2019-03-26,1.1790,1.1793,0.03,2019-03-27 15:00
功能截圖
配置說明
# 確保安裝以下庫，如果沒有，請在python3環境下執行pip install 模塊名
import requests
import random
import re
import queue
import threading
import csv
import json
補充
完整版源代碼存放在github上，有需要的可以下載
項目持續更新，歡迎您star本項目
,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
