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：
# 导入相关库
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:[email protected]: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())