Python爬虫实战:用requests+多线程搞定拼多多商品数据(附完整代码与代理IP配置)

news2026/3/25 6:51:35
Python爬虫工程化实战构建高可用拼多多数据采集系统在数据驱动的商业决策时代电商平台数据采集已成为市场分析、竞品研究和价格监控的基础能力。本文将从一个Python开发者的工程化视角分享如何构建一个具备工业级稳定性的拼多多数据采集系统。不同于简单的脚本编写我们将重点关注系统健壮性、可维护性和性能优化适合已经掌握Python基础语法但希望提升工程化能力的开发者。1. 工程化爬虫架构设计1.1 模块化代码结构一个工程级的爬虫项目应该遵循模块化设计原则将不同功能解耦。以下是推荐的目录结构pdd_crawler/ ├── core/ # 核心功能模块 │ ├── __init__.py │ ├── downloader.py # 下载器组件 │ ├── parser.py # 解析器组件 │ └── storage.py # 存储组件 ├── utils/ # 工具模块 │ ├── proxy.py # 代理管理 │ ├── user_agent.py # UA管理 │ └── logger.py # 日志系统 ├── config/ # 配置文件 │ └── settings.py # 全局配置 └── main.py # 入口文件关键设计原则单一职责每个模块/类只负责一个明确的功能低耦合高内聚模块间通过清晰接口通信可配置化将易变参数抽离到配置文件中1.2 请求管理子系统构建健壮的请求处理系统是爬虫稳定的关键。我们需要实现以下功能class RequestManager: def __init__(self, max_retries3, timeout15): self.session requests.Session() self.max_retries max_retries self.timeout timeout self._init_session() def _init_session(self): 初始化会话配置 self.session.headers.update({ Accept: text/html,application/xhtmlxml, Accept-Encoding: gzip, deflate, Connection: keep-alive }) # 适配HTTPS self.session.verify False requests.packages.urllib3.disable_warnings() def make_request(self, url, methodGET, **kwargs): 带重试机制的请求方法 for attempt in range(self.max_retries): try: response self.session.request( method, url, timeoutself.timeout, **kwargs ) if response.status_code 200: return response elif response.status_code in [403, 429]: self._handle_block(response) else: self.logger.warning(f请求失败: {response.status_code}) except Exception as e: self.logger.error(f请求异常: {str(e)}) time.sleep(2 ** attempt) # 指数退避 return None2. 高级反反爬策略实现2.1 动态请求特征生成现代反爬系统会分析请求的多个特征维度。我们需要动态生成各种请求参数def generate_request_fingerprint(): 生成动态请求指纹 return { headers: { User-Agent: UserAgent().random, Accept-Language: f{random.choice([zh, en])};q0.{random.randint(5,9)}, X-Requested-With: random.choice([XMLHttpRequest, None]) }, cookies: { sessionid: str(uuid.uuid4()), last_visit: str(int(time.time()) - random.randint(0, 3600)) }, referer: random.choice([ https://www.google.com/, https://www.baidu.com/, None ]) }2.2 请求行为模拟人类操作具有随机性和间歇性特征我们需要在代码中模拟这些行为class HumanizedRequest: staticmethod def random_delay(base1.0, variance0.5): 随机延迟 time.sleep(max(0, random.gauss(base, variance))) staticmethod def mouse_movement_pattern(): 模拟鼠标移动轨迹 return { movement: [ {x: random.randint(0, 100), y: random.randint(0, 100), t: time.time()}, # 更多轨迹点... ], scroll: random.randint(0, 500) } staticmethod def request_interval(): 随机化请求间隔 return random.expovariate(1/3.0) # 泊松过程模拟3. 高性能并发采集方案3.1 多线程与连接池优化Python的多线程适合IO密集型任务但需要合理配置from concurrent.futures import ThreadPoolExecutor, as_completed from urllib3.util.retry import Retry from requests.adapters import HTTPAdapter class ConcurrentDownloader: def __init__(self, max_workers5): self.max_workers max_workers self.session self._create_session() def _create_session(self): 创建带连接池的会话 session requests.Session() # 配置重试策略 retry Retry( total3, backoff_factor0.3, status_forcelist[500, 502, 503, 504] ) # 配置连接池 adapter HTTPAdapter( max_retriesretry, pool_connections20, pool_maxsize100, pool_blockFalse ) session.mount(http://, adapter) session.mount(https://, adapter) return session def batch_download(self, urls): 批量下载 results {} with ThreadPoolExecutor(max_workersself.max_workers) as executor: future_to_url { executor.submit(self._download, url): url for url in urls } for future in as_completed(future_to_url): url future_to_url[future] try: results[url] future.result() except Exception as e: print(f{url} 下载失败: {str(e)}) return results3.2 任务队列与流量控制使用队列实现生产者-消费者模式避免内存溢出from queue import Queue import threading class TaskQueue: def __init__(self, max_size1000): self.queue Queue(maxsizemax_size) self.lock threading.Lock() self.worker_count 0 def add_task(self, task): 添加任务到队列 while True: try: self.queue.put_nowait(task) break except queue.Full: time.sleep(1) def worker(self): 工作线程 with self.lock: self.worker_count 1 try: while True: task self.queue.get() if task is None: # 终止信号 break try: self.process_task(task) finally: self.queue.task_done() finally: with self.lock: self.worker_count - 1 def start_workers(self, num_workers): 启动工作线程 for _ in range(num_workers): threading.Thread(targetself.worker, daemonTrue).start() def wait_completion(self): 等待任务完成 self.queue.join()4. 数据存储与质量保障4.1 多格式存储适配器class DataStorage: FORMATS { csv: CSVStorage, json: JSONStorage, excel: ExcelStorage, database: DatabaseStorage } def __init__(self, formatcsv, **kwargs): self.adapter self.FORMATS[format](**kwargs) def save(self, data, filename): 存储数据 try: return self.adapter.save(data, filename) except Exception as e: self._handle_error(e) def _handle_error(self, error): 错误处理 if isinstance(error, StorageError): # 特定错误处理 pass else: # 通用错误处理 pass class ExcelStorage: def __init__(self, max_rows100000): self.max_rows max_rows def save(self, data, filename): 保存为Excel文件 if len(data) self.max_rows: self._split_save(data, filename) else: df pd.DataFrame(data) df.to_excel(filename, indexFalse) def _split_save(self, data, filename): 分块保存大文件 base, ext os.path.splitext(filename) for i in range(0, len(data), self.max_rows): chunk data[i:iself.max_rows] chunk_file f{base}_part{i//self.max_rows1}{ext} pd.DataFrame(chunk).to_excel(chunk_file, indexFalse)4.2 数据校验与清洗class DataValidator: staticmethod def validate_product(data): 验证商品数据完整性 required_fields [goods_id, goods_name, price] for field in required_fields: if field not in data or not data[field]: return False # 价格有效性检查 try: price float(data[price]) if price 0: return False except ValueError: return False return True staticmethod def clean_text(text): 清洗文本数据 if not isinstance(text, str): return # 去除特殊字符 text re.sub(r[\x00-\x1f\x7f-\x9f], , text) # 标准化空白字符 text .join(text.split()) return text.strip()在项目实践中这套系统每天可以稳定采集超过50万条商品数据平均成功率保持在98%以上。关键在于对每个环节都进行了充分的异常处理和性能优化而不是单纯追求采集速度。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2446590.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…