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：
- aiohttp的基本原理与优势
- 搭建异步爬虫框架
- 优化并发请求（连接池、超时控制）
- 代理IP与User-Agent轮换（应对反爬）
- 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。 - 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。 - 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：
- fetch() 发起HTTP请求并返回HTML。
- parse() 解析HTML并提取标题。
- main() 使用asyncio.gather()并发执行多个任务。
- 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...
- 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))
- 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
