在 Serverless 架构中使用云函数进行网页数据采集，不仅能大幅降低运维成本，还能根据任务负载动态扩展。然而，由于云函数的无状态特性及冷启动问题，加上目标网站对采集行为的反制措施（如 IP 限制、Cookie 校验等），开发者在实践中往往会遇到不少挑战。下面将通过一个问题解决型（Problem-Solution）的案例，分享如何利用代理 IP 技术以及一系列优化措施，在 Serverless 模式下实现高效的采集任务。
问题描述
在传统的采集应用中，我们往往部署在独立的服务器上，通过固定 IP 或预先配置的代理服务器进行采集。但在 Serverless 模式下，云函数实例动态创建，IP 地址往往不固定，而且每次调用可能发生冷启动延迟，导致任务响应速度不稳定。此外，目标网站（如网易云音乐）对异常访问的敏感检测机制使得使用固定 Header 信息（UserAgent、Cookie）成为必要条件。如果不采用动态 IP 切换和合理配置 Header，很容易陷入 IP 被封禁或数据采集失败的困境。
场景再现
设想这样一个场景：
- 目标任务：采集网易云音乐中某个关键词下的歌曲信息，包括歌手、歌词以及用户评论。
- 传统方式问题：使用固定 IP 直接发起请求，频繁访问引起目标网站反爬策略的警觉，最终导致 IP 被临时封禁。
- Serverless 挑战：云函数实例可能长时间处于冷启动状态，新创建实例在首次调用时响应时间较长，且其 IP 信息难以保持稳定。
面对这样的问题，开发者尝试了多种方案：
- 尝试 1：固定 IP 模式
直接在云函数中使用固定的代理 IP 或裸 IP 访问目标网站，结果频繁触发目标网站的反爬策略。 - 尝试 2：伪造 Header 模拟正常请求
设置 UserAgent、Cookie 等请求头，部分程度上降低了被封禁的风险，但仍无法应对高频次请求。 - 尝试 3：分布式调用与结果合并
利用多个云函数实例协同工作，但因 IP 不稳定与冷启动问题，整体效果依然不理想。
解决方法
经过不断探索，我们结合以下优化方案构建了解决方案：
- 动态代理 IP：使用爬虫代理服务，将请求通过代理 IP 发起，避免单个 IP 被目标站长时间封禁。
- 请求头优化：在每次请求中合理配置 UserAgent 和 Cookie 信息，模拟真实用户行为。
- 冷启动预热策略：结合云函数的预热机制，尽量在任务开始前唤醒函数实例，减少冷启动延迟影响。
- 代码复用与容错设计：在代码中实现代理 IP 的动态更换和请求重试逻辑，确保在部分请求失败时依然能正常获取数据。
下面提供一个基于 Python 的示例代码，展示了如何调用网易云音乐的搜索接口，通过代理 IP 发起请求并解析返回的歌曲信息，同时进行歌词和评论的后续抓取。
示例代码
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import requests
import json
import time
# ------------------------------
# 配置部分：代理、请求头等参数
# ------------------------------
# 代理IP配置（参考亿牛云爬虫代理信息 www.16yun.cn）
# 注意：以下信息仅为示例，请根据实际账号信息填写
PROXY_HOST = "proxy.16yun.cn" # 亿牛云爬虫代理域名
PROXY_PORT = "8000" # 代理端口
PROXY_USER = "16YUN" # 代理用户名
PROXY_PASS = "16IP" # 代理密码
# 拼接代理认证 URL
proxy_auth = f"http://{PROXY_USER}:{PROXY_PASS}@{PROXY_HOST}:{PROXY_PORT}"
proxies = {
"http": proxy_auth,
"https": proxy_auth,
}
# 设置请求头：UserAgent 和 Cookie（这里的 Cookie 示例仅供参考）
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) '
'AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/108.0.0.0 Safari/537.36',
'Cookie': 'appver=2.0.2; os=pc; osver=Microsoft-Windows-10-Professional-build-19044-64bit;',
}
# 云函数预热策略：在入口函数调用前可以先执行一次请求，减少冷启动时间（示例）
def prewarm():
try:
# 简单发起一个 GET 请求用于预热
requests.get("https://music.163.com", headers=headers, proxies=proxies, timeout=5)
print("预热成功!")
except Exception as e:
print("预热异常:", e)
# ------------------------------
# 功能函数
# ------------------------------
def search_music(keyword, limit=30):
"""
根据关键词搜索歌曲信息
:param keyword: 搜索关键词
:param limit: 返回结果数量限制
:return: 搜索结果的 JSON 数据
"""
url = "https://music.163.com/api/search/get/"
# 构建搜索参数
data = {
"s": keyword,
"type": 1, # 1 代表单曲搜索
"offset": 0,
"total": "true",
"limit": limit,
}
try:
response = requests.post(url, headers=headers, data=data, proxies=proxies, timeout=10)
response.encoding = 'utf-8'
if response.status_code == 200:
print("搜索请求成功!")
return response.json()
else:
print("搜索请求失败，状态码:", response.status_code)
except Exception as e:
print("搜索请求异常:", e)
return None
def get_lyric(song_id):
"""
获取指定歌曲的歌词信息
:param song_id: 歌曲ID
:return: 歌词数据（JSON 格式）
"""
url = f"https://music.163.com/api/song/lyric?os=pc&id={song_id}&lv=1&kv=1&tv=-1"
try:
response = requests.get(url, headers=headers, proxies=proxies, timeout=10)
if response.status_code == 200:
print(f"歌曲 {song_id} 的歌词请求成功!")
return response.json()
else:
print(f"歌词请求失败，状态码: {response.status_code}")
except Exception as e:
print("歌词请求异常:", e)
return None
def get_comments(song_id, limit=30):
"""
获取指定歌曲的评论信息
:param song_id: 歌曲ID
:param limit: 返回评论数量限制
:return: 评论数据（JSON 格式）
"""
# 网易云音乐评论接口示例：R_SO_4_加歌曲ID
url = f"https://music.163.com/api/v1/resource/comments/R_SO_4_{song_id}?limit={limit}"
try:
response = requests.get(url, headers=headers, proxies=proxies, timeout=10)
if response.status_code == 200:
print(f"歌曲 {song_id} 的评论请求成功!")
return response.json()
else:
print(f"评论请求失败，状态码: {response.status_code}")
except Exception as e:
print("评论请求异常:", e)
return None
# ------------------------------
# 云函数入口函数（示例）
# ------------------------------
def main_handler(event, context):
"""
云函数入口
:param event: 事件数据，包含搜索关键词等信息
:param context: 云函数上下文信息
:return: 任务执行结果
"""
# 预热云函数，降低冷启动影响
prewarm()
# 从事件中获取关键词，若未传入则默认"流行"
keyword = event.get("keyword", "流行")
print("开始搜索关键词:", keyword)
# 调用搜索接口获取歌曲数据
search_result = search_music(keyword)
if not search_result:
return {"status": "error", "message": "搜索失败"}
songs = search_result.get("result", {}).get("songs", [])
result_data = []
for song in songs:
song_id = song.get("id")
song_name = song.get("name")
singer_list = [artist.get("name") for artist in song.get("artists", [])]
print(f"处理歌曲：{song_name} (ID: {song_id})")
# 获取歌词
lyric_data = get_lyric(song_id)
# 获取评论
comment_data = get_comments(song_id)
result_data.append({
"song_id": song_id,
"song_name": song_name,
"singers": singer_list,
"lyrics": lyric_data.get("lrc", {}).get("lyric") if lyric_data else "",
"comments": comment_data.get("comments", []) if comment_data else []
})
# 控制请求频率，避免过快触发反爬策略
time.sleep(1)
# 最终返回采集的数据
return {
"status": "success",
"data": result_data
}
# ------------------------------
# 本地调试
# ------------------------------
if __name__ == "__main__":
# 模拟云函数传入的事件数据
test_event = {"keyword": "周杰伦"}
result = main_handler(test_event, None)
print(json.dumps(result, ensure_ascii=False, indent=4))
原理分析
- 动态代理 IP 技术
代码中配置了代理服务器地址，通过爬虫代理服务实现 IP 动态切换。这样可以有效分散请求压力，降低单个 IP 被封禁的风险。对云函数这种每次实例可能不同的情况来说，结合高质量代理服务尤为重要。 - 请求头（UserAgent 与 Cookie）的作用
针对网易云音乐这样的目标网站，合理设置请求头能够模拟真实用户的 HTTP 行为。UserAgent 帮助伪装浏览器请求，而 Cookie 则有助于维持会话状态，防止被目标网站快速识别为爬虫行为。 - 云函数冷启动优化策略
通过预热（prewarm）机制在入口函数中提前发起一次简单请求，可以帮助云函数提前加载依赖，降低首次调用时的冷启动延时。此外，合理设置超时时间和重试逻辑也是在 Serverless 环境下提高爬虫稳定性的重要措施。 - 分布式采集与容错设计
该方案在代码中可以扩展为分布式执行，结合任务队列和多实例并发调用，通过在每个实例中实现代理 IP 动态切换和请求重试策略，进一步保障数据采集的可靠性。
总结
本文介绍了如何在 Serverless 云函数环境中构建一个高效的采集系统，通过利用爬虫代理服务实现动态 IP 切换、合理配置请求头以及云函数预热策略来应对目标网站的反爬策略和冷启动问题。通过这个案例的分享，希望能给大家在构建 Serverless 采集架构时带来一些实用的经验和启发。
这种问题解决型的探索过程不仅是在技术上突破，更是一种从失败中不断总结经验、最终达到系统稳定性与性能兼顾的实践。
