Python分布式动态页面爬虫研究

Selenium的Webdriver爬取动态网页效果虽然不错，但效率方面并不如人意。最近一直研究如何提高动态页面爬虫的效率，方法无非高并发和分布式两种。过程中有很多收获，也踩了不少坑，在此一并做个总结。以下大致是这段时间的学习路线。

一、 Scrapy+phantomJS

Scrapy是一个高效的异步爬虫框架，使用比较广泛，文档也很完备，开发人员能快速地实现高性能爬虫。关于Scrapy的基本使用这里就不再赘述了，这篇Scrapy读书笔记挺不错的。然而Scrapy在默认的情况下只能获取静态的网页内容，因此必须进一步定制开发。

Scrapy结合phantomJS似乎是个不错的选择。phantomJS是一个没有页面的浏览器，能渲染动态页面并且相对轻量。因此，我们需要修改Scrapy的网页请求模块，让phantomJS请求网页，以达到获取动态网页的目的。一番调研之后，发现大致有三种定制方法：

1. 每个url请求两次。在回调函数中舍弃掉返回的response内容，然后用phantomJS再次请求response.url，这次的请求由于没有构造Request对象，当然就没有回调函数了，然后阻塞等待结果返回即可。这个方法会对同一个url请求两次，第一次是Scrapy默认的HTTP请求，第二次则是phantomJS的请求，当然第二次获取到的就是动态网页了。这个方法比较适合快速实现小规模动态爬虫，在默认的Scrapy项目基础上，只需要简单修改回调函数就可以了。

2. 自定义下载中间件(downloadMiddleware)。downloadMiddleware对从scheduler送来的Request对象在请求之前进行预处理，可以实现添加headers，user_agent，还有cookie等功能。但也可以通过中间件直接返回HtmlResponse对象，略过请求的模块，直接扔给response的回调函数处理。代码如下：

    class CustomMetaMiddleware(object):
        def process_request(self,request,spider):
            dcap = dict(DesiredCapabilities.PHANTOMJS)
            dcap["phantomjs.page.settings.loadImages"] = False
            dcap["phantomjs.page.settings.resourceTimeout"] = 10 
            driver = webdriver.PhantomJS("E:xx\xx\xx",desired_capabilities=dcap)
            driver.get(request.url)
            body = driver.page_source.encode('utf8')
            url = driver.current_url
            driver.quit()
            return HtmlResponse(request.url,body=body)

改完代码后，记得修改settings配置。但这个方法有个很大的问题——不能实现异步爬取。由于直接在下载中间件中请求网页，而Scrapy在这里却不是异步的，只能实现阻塞式的逐个网页下载。当然，如果不追求高并发的话，这也是个快速部署动态爬虫的方法。

3.自定义downloader。downloader是Scrapy发起HTTP请求的模块，这模块实现了异步请求，因此自定义downloader是最完美的实现。但是要编写一个自定义的downloader比较麻烦，必须按照Twisted的一些规范，所幸网上有一些开源的downloader，在这基础上改改就比较容易了。这篇文章详解了downloader的开发，非常不错！

一些坑和心得

通过代码运行Scrapy是个很有用的方法，即通过CrawlerProcess类运行爬虫，但是给Spider传递settings参数却是一个很大的坑，这个问题绕了我很长时间，最后的解决方法是修改PYTHONPATH和SCRAPY_SETTINGS_MODULE环境变量，加上爬虫项目的目录，这样Python才能找到配置文件。
设置DOWNLOAD_TIMEOUT选项，其默认值是180秒，相对较长，可以设置得短一些提高效率。
PhantomJS对多进程的支持极不稳定。具体表现在如果一主机同时开了多个phantomJS进程，单个phantomJS运行结果就会时好时坏，经常出现一些莫名其妙的报错，官方git的issue上也提到phantomJS对多进程的支持很不好。如果真要多进程爬虫的话，推荐chromedriver。
Scrapy的优势在于高效的异步请求框架，由于其本身并不支持动态页面爬取，如果对爬虫的效率没有特别高的要求，也没有必要一定用这个框架，毕竟熟悉框架要一定的时间成本，在框架下编程限制也比较多，对一些比较简单的爬虫，有时还不如自己手撸一个。

二、 Scrapy-splash

由于phantomJS的多并发短板，Scrapy+phantomJS的效率受限，因此，这并不是一个特别好的选择。

又一番调研后，发现splash似乎是个不错的选择。Splash是一个Javascript渲染服务。它是用Python实现的，同时使用了Twisted和QT，并且实现了HTTP API的轻量浏览器，Twisted（QT）用来让服务具有异步处理能力，以发挥webkit的并发能力。

在Scrapy中使用splash也很简单，详见http://www.cnblogs.com/zhonghuasong/p/5976003.html 。

一般来说，在Scrapy中只需要返回一个SplashRequest对象即可。比如：

yield SplashRequest(url='http://'+url,callback=self.parse,endpoint='render.html',
                  args={'wait':2},errback=self.errback_fun, meta={ })

同样也可以返回带POST参数的Request对象。更简单地，用urllib等库构造POST请求也没问题，因为这本质上是一个端口代理，可以接受任何的HTTP请求。

splash的内存占用相对较少，但多并发仍然会出现些问题，请求的失败率会大大提高，页面渲染结果偶尔会出现一些问题，同时受制于服务器主机的带宽，速度受限，但总体表现不错，足以应对小规模的动态爬虫。

Splash的优点也很显著，通过HTTP API，其他分布式节点能很容易地获得动态页面，并且使得服务器和其他节点之间的耦合降到了最低，扩展变得特别方便。另外，分布式节点不用配置环境就能获得动态页面，相对phantomJS复杂的配置来说简单太多了！如果想简单地实现动态页面爬虫，splash是一个非常好的选择，但受制于单个服务器带宽，速度有限，并且有时渲染效果不是很理想。

三、 chromedriver并发

无论phantomJS还是splash，稳定性是一方面，在渲染效果和速度上都不及chromedriver，毕竟V8引擎不是盖的！但chromedriver缺点也很明显——特别耗内存，而且是有界面的！

有段时间为了爬百度搜索结果，我一开始用requests库模拟POST请求，虽然效率没问题，但经常被百度封，于是试着改用phantomJS，当时觉得尽管效率低了点，但毕竟是真正的浏览器，百度应该不会封。后来发现作用也不大，还是经常被封，并且phantomJS自身不太稳定，经常报错，多进程并发更是没办法运行。看来只能试一试chromedriver了。以前一直忌惮于内存杀手chrome（开一个chrome浏览器，任务管理器里就有很多个chrome进程），最后无奈只能祭出这大杀器了。跑了一段时间之后，发现chrome的效率还挺不错，占用的内存也没有想象中的大，多并发支持非常好，在我的电脑上同时开20来个也没问题，稳定性也不错，而且百度居然就没封！（震惊！！！chrome居然自带反反爬虫光环！）。但由于程序主要在阿里云主机上跑，有界面的chromedriver当时便没有考虑在内，前不久才知道原来可以通过引入虚拟界面，让chrome在没有界面的主机上跑.....

Python的pyvirtualdisplay库就能引入虚拟界面。
代码实现也非常简单：

from pyvirtualdisplay import Display
display = Display(visible=0,size=(800,600))
display.start()
driver = webdriver.Chrome()
driver.get('http://www.baidu.com')

经个人测试，发现chrome对多进程的支持非常好，渲染速度快，就是内存占用相对较大，可以多进程+分布式提高效率，关键chrome不容易被封。

PS. 常用的chromedriver关闭图片选项代码：

chromeOptions = webdriver.ChromeOptions()
prefs = {"profile.managed_default_content_settings.images":2}
chromeOptions.add_experimental_option("prefs",prefs)
driver = webdriver.Chrome(chromedriver_path,chrome_options=chromeOptions)
driver.get(url)

四、Selenium Grid

Selenium Grid是Selenium的单机扩展，允许用户将测试案例分布在几台机器上并行执行。当然，能实现分布式测试，分布式爬虫当然没问题。
Selenium Grid的机制如图。首先启动一个中央节点（Hub），然后启动多个远程控制节点（rc），并让rc在Hub上注册自己的信息，包括rc自身的系统、支持的webdriver、最大并发数量等，这样Hub节点就知道了所有的rc信息，方便以后调度。

Selenium Grid机制

运行环境搭建好之后，测试或爬虫脚本请求Hub的服务端口，Hub主机根据注册的rc节点的当前状态，结合负载均衡原则，将这些测试用例分发到指定的rc节点，rc节点接到命令之后便执行。

from selenium import webdriver
    url = "http://localhost:4444/wd/hub"
    driver = webdriver.Remote(command_executor = url, desired_capabilities = {'browserName':'chrome'})
    driver.get("http://www.baidu.com")
    print driver.title

如下图，我在本地建立了一个Hub节点，默认端口是4444，接着用本机注册了两个rc节点，端口分别为5555、6666。通过hub服务端口的控制台可以看到，每个节点可以支持5个Firefox实例、一个IE实例和5个Chrome实例（可以自定义）。由于本机没有安装Opera浏览器，当然也就没有Opera实例了。

Selenium Grid控制台页面

Selenium Grid是个很好的实现分布式测试/动态爬虫的框架，原理和操作也不复杂，有兴趣的同学可以多了解了解。

五、总结

以上各软件或框架的特点简要如下：

phantomJS比较轻量，但对多并发支持非常差
chromedriver渲染速度快，多并发支持较好，但占用内存大
splash实现了HTTP API，分布式扩展容易，页面渲染能力一般
Selenium Grid是专业的测试框架，扩展容易，支持负载均衡等高级特性

所以，分布式Scrapy+chromedriver或Selenium Grid是实现分布式动态爬虫较好的选择。