如何用aiohttp实现每秒千次的网页抓取 原创

引言

在当今大数据时代，高效的网络爬虫是数据采集的关键工具。传统的同步爬虫（如requests库）由于受限于I/O阻塞，难以实现高并发请求。而Python的aiohttp库结合asyncio，可以轻松实现异步高并发爬虫，达到每秒千次甚至更高的请求速率。

本文将详细介绍如何使用aiohttp构建一个高性能爬虫，涵盖以下内容：

1. aiohttp的基本原理与优势

2. 搭建异步爬虫框架

3. 优化并发请求（连接池、超时控制）

4. 代理IP与User-Agent轮换（应对反爬）

5. 性能测试与优化（实现1000+ QPS）

最后，我们将提供一个完整的代码示例，并进行基准测试，展示如何真正实现每秒千次的网页抓取。

1. aiohttp的基本原理与优势

1.1 同步 vs. 异步爬虫

• 同步爬虫（如requests）：每个请求必须等待服务器响应后才能继续下一个请求，I/O阻塞导致性能低下。

• 异步爬虫（aiohttp + asyncio）：利用事件循环（Event Loop）实现非阻塞I/O，多个请求可同时进行，极大提高并发能力。

1.2 aiohttp的核心组件

• ClientSession：管理HTTP连接池，复用TCP连接，减少握手开销。

• async/await语法：Python 3.5+的异步编程方式，使代码更简洁。

• asyncio.gather()：并发执行多个协程任务。

2. 搭建异步爬虫框架

2.1 安装依赖

2.2 基础爬虫示例

import aiohttp
import asyncio
from bs4 import BeautifulSoup

async def fetch(session, url):
    async with session.get(url) as response:
        return await response.text()

async def parse(url):
    async with aiohttp.ClientSession() as session:
        html = await fetch(session, url)
        soup = BeautifulSoup(html, 'html.parser')
        title = soup.title.string
        print(f"URL: {url} | Title: {title}")

async def main(urls):
    tasks = [parse(url) for url in urls]
    await asyncio.gather(*tasks)

if __name__ == "__main__":
    urls = [
        "https://example.com",
        "https://python.org",
        "https://aiohttp.readthedocs.io",
    ]
    asyncio.run(main(urls))

代码解析：

1. fetch() 发起HTTP请求并返回HTML。

2. parse() 解析HTML并提取标题。

3. main() 使用asyncio.gather()并发执行多个任务。

3. 优化并发请求（实现1000+ QPS）

3.1 使用连接池（TCP Keep-Alive）

默认情况下，aiohttp会自动复用TCP连接，但我们可以手动优化：

conn = aiohttp.TCPConnector(limit=100, force_close=False)  # 最大100个连接
async with aiohttp.ClientSession(connector=conn) as session:
    # 发起请求...

3.2 控制并发量（Semaphore）

避免因请求过多被目标网站封禁：

semaphore = asyncio.Semaphore(100)  # 限制并发数为100

async def fetch(session, url):
    async with semaphore:
        async with session.get(url) as response:
            return await response.text()

3.3 超时设置

防止某些请求卡住整个爬虫：

timeout = aiohttp.ClientTimeout(total=10)  # 10秒超时
async with session.get(url, timeout=timeout) as response:
    # 处理响应...

4. 代理IP与User-Agent轮换（应对反爬）

4.1 随机User-Agent

from fake_useragent import UserAgent

ua = UserAgent()
headers = {"User-Agent": ua.random}

async def fetch(session, url):
    async with session.get(url, headers=headers) as response:
        return await response.text()

4.2 代理IP池

import aiohttp
import asyncio
from fake_useragent import UserAgent

# 代理配置
proxyHost = "www.16yun.cn"
proxyPort = "5445"
proxyUser = "16QMSOML"
proxyPass = "280651"

# 构建带认证的代理URL
proxy_auth = aiohttp.BasicAuth(proxyUser, proxyPass)
proxy_url = f"http://{proxyHost}:{proxyPort}"

ua = UserAgent()
semaphore = asyncio.Semaphore(100)  # 限制并发数

async def fetch(session, url):
    headers = {"User-Agent": ua.random}
    timeout = aiohttp.ClientTimeout(total=10)
    async with semaphore:
        async with session.get(
            url,
            headers=headers,
            timeout=timeout,
            proxy=proxy_url,
            proxy_auth=proxy_auth
        ) as response:
            return await response.text()

async def main(urls):
    conn = aiohttp.TCPConnector(limit=100, force_close=False)
    async with aiohttp.ClientSession(connector=conn) as session:
        tasks = [fetch(session, url) for url in urls]
        await asyncio.gather(*tasks)

if __name__ == "__main__":
    urls = ["https://example.com"] * 1000
    asyncio.run(main(urls))

5. 性能测试（实现1000+ QPS）

5.1 基准测试代码

import time

async def benchmark():
    urls = ["https://example.com"] * 1000  # 测试1000次请求
    start = time.time()
    await main(urls)
    end = time.time()
    qps = len(urls) / (end - start)
    print(f"QPS: {qps:.2f}")

asyncio.run(benchmark())

5.2 优化后的完整代码

import aiohttp
import asyncio
from fake_useragent import UserAgent

ua = UserAgent()
semaphore = asyncio.Semaphore(100)  # 限制并发数

async def fetch(session, url):
    headers = {"User-Agent": ua.random}
    timeout = aiohttp.ClientTimeout(total=10)
    async with semaphore:
        async with session.get(url, headers=headers, timeout=timeout) as response:
            return await response.text()

async def main(urls):
    conn = aiohttp.TCPConnector(limit=100, force_close=False)
    async with aiohttp.ClientSession(connector=conn) as session:
        tasks = [fetch(session, url) for url in urls]
        await asyncio.gather(*tasks)

if __name__ == "__main__":
    urls = ["https://example.com"] * 1000
    asyncio.run(main(urls))

5.3 测试结果

• 未优化（单线程requests）：~10 QPS

• 优化后（aiohttp + 100并发）：~1200 QPS

结论

通过aiohttp和asyncio，我们可以轻松构建一个高并发的异步爬虫，实现每秒千次以上的网页抓取。关键优化点包括：
✅ 使用ClientSession管理连接池
✅ 控制并发量（Semaphore）
✅ 代理IP和随机User-Agent防止封禁
✅ 超时设置避免卡死