V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
dfgddgf
V2EX  ›  Perl

一段 perl 代码展示如何 all in one 优雅地编写一个异步爬虫

  •  
  •   dfgddgf · 2022-09-15 18:28:30 +08:00 · 1469 次点击
    这是一个创建于 560 天前的主题,其中的信息可能已经有所发展或是发生改变。
    #cpan https://cpan.metacpan.org/authors/id/S/SR/SRI/Mojolicious-7.31.tar.gz
    #cpanm -n [email protected]
    use feature ':5.10';
    use strict;
    use warnings;
    use utf8;
    use Mojo;
    use Encode qw(decode encode);
    ##########################################################################
    $ENV{MOJO_REACTOR} = 'Mojo::Reactor::EV';
    
    #使用 EV 具有更好的性能
    my $ua = Mojo::UserAgent->new;
    $ua->inactivity_timeout(60);
    $ua->connect_timeout(60);
    $ua->request_timeout(60);
    
    #适当延长超时的时间,阻止过早的 http 请求失败,会有更好的性能
    $ua->max_connections(1000);
    
    #最大连接数 1000
    $ua->max_redirects(0);
    
    #阻止 http3xx 重定向
    $ua->transactor->name('Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:102.0) Gecko/20100101 Firefox/102.0');
    
    #使用正常浏览器的 user agent
    $ua->cookie_jar->ignore( sub { 1 } );
    #禁用 Mojo::UserAgent 自动处理 cookie
    $ua->proxy->http('http://127.0.0.1:8080')->https('http://127.0.0.1:8080');
    #使用代理服务器
    
    ##########################################################################
    my @list = ();
    
    #原始队列
    my @urllist = ();
    
    #下载队列
    my $n = 0;
    
    #下载数量
    my $m = 0;
    
    #出错数量
    my $produce_num = 0;
    
    #生产者数量
    my $consumer_num = 0;
    
    #消费者数量
    my $cookie_num = 0;
    
    #cookie 数量
    my @cookielist = ();
    
    #使用的 cookie 队列
    my %cookieinvalid = ();
    
    #失效的 cookie 散列
    ##########################################################################
    open FILEIN, '<', "./url.txt" or die "$!";
    while (<FILEIN>) {
        my $content = $_;
        chomp($content);
        $content =~ s/\r//;
        push( @list, $content );
    }
    close FILEIN;
    
    #导入下载列表
    ##########################################################################
    sub append_txt_to_file {
        my $file_name = $_[0];
        my $txt       = $_[1];
        local *FH;
        open FH, '>>', $file_name;
        print FH $txt;
        close FH;
    }
    
    sub write_txt_to_file {
        my $file_name = $_[0];
        my $txt       = $_[1];
        local *FH;
        open FH, '>', $file_name;
        print FH $txt;
        close FH;
    }
    my %safe_character = (
        '<'  => '<',
        '>'  => '>',
        ':'  => ':',
        '"'  => '"',
        '/'  => '/',
        '\\' => '\',
        '|'  => '|',
        '?'  => '?',
        '*'  => '*',
    );
    
    sub repace_safe {
        my $per_char = $_[0];
        my $one_txt  = $_[1];
        my $output_char;
        if ( exists $safe_character{$per_char} ) {
            $output_char = $safe_character{$per_char};
        }
        else {
            $output_char = $per_char;
        }
        return $output_char;
    }
    
    sub find {
        my $html_bin = $_[0];
        my $id       = $_[1];
        if ( $html_bin =~ m/<\/html>/ ) {
            return '####';
        }
        else {
            return '@@@';
        }
    }
    ##########################################################################
    sub get_multiplex {
        my $id    = $_[0];
        my $delay = Mojo::IOLoop->delay( sub { get_multiplex($id) } );
    
        #get_multiplex 递归迭代的开始标记
        #$id 是每一个线程(端口的序号)
        my $end = $delay->begin;
        Mojo::IOLoop->timer( 0.1 => $delay->begin );
    
        #每个 http 请求前暂停 0.1s
        if ( scalar @urllist == 0 ) {
            if ( $produce_num == $consumer_num ) {
                Mojo::IOLoop->stop;
    
                #异步循环结束
                #当队列数量为 0 ,且所有的线程数据都处理完毕的时候,终止事件循环
                #return 存在一个递归返回链,这里可以更快地结束
            }
            return;
    
            #这里返回后异步任务数量为 0 时,系统会自动结束异步循环,不过速度较慢
            #return 返回闭包函数的开始,并结束闭包函数,下面不开启递归自身
        }
        else {
            my $object = shift @urllist;
            $produce_num++;
            my $url      = $object;
            my $filename = $object;
            $filename =~ s/^http:\/\/www\.bing\.com\/w\///m;
            $filename =~ s/(.)/repace_safe($1)/eg;
            $filename = "./www.bing.com/" . $filename . ".html";
            if ( -e $filename ) {
                syswrite STDERR, encode( 'utf8', $n . "\t" . $object . "\t   跳过\n" );    #STDOUT 编码已改,输送到 STDOUT 会出现错误
                $consumer_num++;
                $end->();
            }
            else {
                my $build_tx = $ua->build_tx( GET => $url );
                $build_tx->req->headers->remove('Accept-Encoding');
    
                #阻止网页压缩,保证更好的性能
                $build_tx->req->headers->add( 'Accept'          => 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,*/*;q=0.8' );
                $build_tx->req->headers->add( 'Accept-Language' => 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2' );
                $ua->transactor->name( 'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:' . int( rand(900) ) . ') Gecko/' . int( rand(40000001) ) . ' Firefox/' . int( rand(900) ) . '.0' );
    
                #使用 2 万个 cookie
                $ua->start(
                    $build_tx => sub {
                        my ( $ua, $tx ) = @_;
                        if ( !$tx->is_finished ) {
                            push( @urllist, $object );
                            syswrite STDERR, "http 传输未完成" . "\n";
                            syswrite STDERR, encode( 'utf8', $url . "\t" . $tx->error->{message} . "\n" );
                        }
                        else {
                            my $code = '';
                            $code = $tx->res->code if defined $tx->res->code;
                            if ( $code =~ /\A2/ ) {
                                my $size           = $tx->res->content->asset->size;
                                my $content_length = $tx->res->headers->to_hash->{'Content-Length'};
                                if ( ( $size == $content_length ) || !( defined $content_length ) ) {
                                    my $outnum = find( $tx->res->body, $id );
                                    if ( $outnum ne '@@@' ) {
                                        append_txt_to_file( "url.txt", $object . "\t" . $outnum . "\n" );
                                        write_txt_to_file( $filename, $tx->res->body );
                                        $n++;
                                        syswrite STDERR, encode( 'utf8', $n . "\t" . $object . "\n" );
                                    }
                                    else {
                                        $n++;
                                        syswrite STDERR, encode( 'utf8', $m . "\t" . $object . "\t 网页下载完整但未提取到数据\n" );
                                    }
                                }
                                else {
                                    $m++;
                                    push( @urllist, $object );
                                    syswrite STDERR, encode( 'utf8', $m . "\t" . $object . "\t 网页未下载完整\n" );
                                }
                            }
                            elsif ( $code =~ /\A4/ ) {
                                syswrite STDERR, encode( 'utf8', $m . "\t" . $object . "\thttp 4xx\n" );
                                push( @urllist, $object );
                                Mojo::IOLoop->timer( 0.5 => $delay->begin );
    
                                #http 404
                            }
                            else {
                                $m++;
                                push( @urllist, $object );
                                syswrite STDERR, encode( 'utf8', $m . "\t" . $object . "\t 未发现 http code, http 3xx, http 5xx\n" );
    
                                #标记失效的从 cookie http 3xx
                                Mojo::IOLoop->timer( 0.5 => $delay->begin );
    
                                #服务器返回 5xx ,暂停 0.5s
                                #未发现 http code, http 302, http 503
                            }
                        }
                        $consumer_num++;
                        $end->();
    
                        #get_multiplex 递归迭代的结束标记
                        #从这里跳转到下一个 get_multiplex
                    }
                );
            }
        }
    }
    ##########################################################################
    $produce_num  = 0;
    $consumer_num = 0;
    @urllist      = @list;
    
    #异步下载前的变量准备
    foreach my $id ( 1 .. 50 ) { get_multiplex($id) }
    
    #使用 50 个线程(端口)下载
    #如果线程数是 100 ,限制最大 cookie 数无法生效,并且 EV 会出现错误
    Mojo::IOLoop->start;
    
    #异步循环启动
    ##########################################################################
    
    
    17 条回复    2023-12-19 00:25:13 +08:00
    wxf666
        1
    wxf666  
       2022-09-15 18:47:48 +08:00
    每秒大概能爬多少个页面?
    dfgddgf
        2
    dfgddgf  
    OP
       2022-09-15 18:49:26 +08:00
    @wxf666 300M 宽带跑满,必应和百度都能坚挺,扛得住
    wxf666
        3
    wxf666  
       2022-09-15 18:55:39 +08:00
    @dfgddgf 你本地测试,平均每秒能爬下来并解析多少页面呢

    想看看这 perl 的效率如何
    dfgddgf
        4
    dfgddgf  
    OP
       2022-09-15 18:56:51 +08:00
    @wxf666 300M 带宽 每秒 37.5-40MB/s 下载速度,按照一个网页 0.7MB 计算,每秒可以下载 50 个。

    如果网页比较小,每秒下载几百个网页轻轻松松。

    别把人家服务器搞崩溃了。

    爬虫学的好,牢饭吃得饱。
    wxf666
        5
    wxf666  
       2022-09-15 19:05:42 +08:00
    @dfgddgf 你在上一个帖子的意思,不是『如何用最少的人工,写出速度最快的爬虫』嘛

    感觉你有几亿数十亿页面要爬取解析来着。。

    所以想看看你最后,是如何用最优雅的姿势,写出最能压榨机器性能的爬虫的
    dfgddgf
        6
    dfgddgf  
    OP
       2022-09-15 19:27:56 +08:00
    @wxf666 VirtualBox 虚拟机 linux mint 安装 apache2 ,使用 84KB 的网页文件作为主页,使用上面的代码稍作修改

    在 cygwin 环境执行上面的 perl 代码,重复下载本地的 84KB 的网页文件( http://192.168.1.5/index.html) 10 万次数
    耗时

    real 3m25.076s
    user 2m5.890s
    sys 0m31.780s


    算下来,连同网页正则匹配,平均请求速率是 100000/205s=487.8 个 /每秒

    perl 做异步爬虫够不够强大

    那些说 perl 没落、过时、已死的网友,其实是不了解 perl 语言及其生态的。
    wxf666
        7
    wxf666  
       2022-09-15 19:41:24 +08:00
    @dfgddgf 感觉脚本语言的网络库、正则库、网页解析库等,底层应该都是 C/C++ 实现的吧

    Python 、Perl 、Ruby 速度应该差不多的

    perl 好像是文本处理较为优势,听说搞生物的常用?
    renmu
        8
    renmu  
       2022-09-15 19:54:26 +08:00 via Android
    爬虫主要瓶颈都在网络了,性能什么反倒没什么要紧的
    iwh718
        9
    iwh718  
       2022-09-15 19:58:51 +08:00 via Android
    一直觉得 perl 很厉害,学正则的时候,了解的。
    dbow
        10
    dbow  
       2022-09-15 21:48:27 +08:00
    perl 早就不更新了吧,老语言不如放弃。
    dfgddgf
        11
    dfgddgf  
    OP
       2022-09-16 04:52:19 +08:00
    @dbow
    perl 5.36.0 is now available

    Date: May 28, 2022 00:33
    zsj1029
        12
    zsj1029  
       2022-09-16 09:25:58 +08:00
    @dbow 后面的版本 Raku 改名了
    runningman
        13
    runningman  
       2022-09-16 10:21:21 +08:00
    还好,08 年那会就用 perl 了。一直到 12 ,13 年还在用,由于 team 的人都不会,最后切换到 python 了
    zzzkkk
        14
    zzzkkk  
       2022-09-16 10:22:26 +08:00
    你们自己去 shadowsocks python 和 go 版本 分别用一下 速度差多少
    这 还只是代理本机十几个 几十个请求
    zzzkkk
        15
    zzzkkk  
       2022-09-16 10:23:05 +08:00
    @runningman
    perl 倒闭不是没原因的 它的写法属于倒闭活该 增加码农大脑负担
    runningman
        16
    runningman  
       2022-09-16 10:29:26 +08:00
    @zzzkkk 你不用,不代表人家倒闭,很多运维人员还是在用,没必要评价这个。想用就用,不用拉倒
    louisxxx
        17
    louisxxx  
       101 天前
    my $n = 0; 这语法兼职逆天。什么叫 my 。估计作者发明时随便搞的
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   我们的愿景   ·   实用小工具   ·   1128 人在线   最高记录 6543   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 26ms · UTC 18:47 · PVG 02:47 · LAX 11:47 · JFK 14:47
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.