当前位置：首页 > news >正文

优化 Python 爬虫性能：异步爬取新浪财经大数据

news 来源：原创 2025/6/20 10:27:00

一、同步爬虫的瓶颈

传统的同步爬虫（如requests+BeautifulSoup）在请求网页时，必须等待服务器返回响应后才能继续下一个请求。这种阻塞式I/O操作在面对大量数据时存在以下问题：

速度慢：每个请求必须串行执行，无法充分利用网络带宽。
易被封禁：高频请求可能触发IP限制或验证码。
资源浪费：CPU在等待I/O时处于空闲状态。

解决方案：异步爬虫（Asynchronous Crawling）
Python的asyncio+aiohttp库可以实现非阻塞I/O，允许同时发起多个请求，大幅提升爬取效率。

二、异步爬虫技术选型

技术方案	适用场景	优势
`aiohttp`	HTTP请求	异步HTTP客户端，支持高并发
`asyncio`	事件循环	Python原生异步I/O框架
`aiofiles`	异步文件存储	避免文件写入阻塞主线程
`uvloop`	加速事件循环	替换`asyncio` 默认循环，性能提升2-4倍

三、实战：异步爬取新浪财经股票数据

目标

爬取新浪财经A股股票实时行情（代码、名称、价格、涨跌幅等）。
使用aiohttp实现高并发请求。
存储至CSV文件，避免数据丢失。

步骤1：分析数据接口

新浪财经的股票数据通常通过API返回，我们可以通过浏览器开发者工具（F12）抓包分析：

示例接口：https://finance.sina.com.cn/realstock/company/sh600000/nc.shtml
数据格式：部分数据直接渲染在HTML中，部分通过Ajax加载（如分时数据）。

步骤2：安装依赖库

步骤3：编写异步爬虫代码

import asyncio
import aiohttp
import aiofiles
from bs4 import BeautifulSoup
import csv
import time# 替换为新浪财经股票列表API（示例）
STOCK_LIST_API = "https://finance.sina.com.cn/stock/sl/stock_list.html"
HEADERS = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36"
}async def fetch(session, url):"""异步获取网页内容"""async with session.get(url, headers=HEADERS) as response:return await response.text()async def parse_stock_data(html):"""解析股票数据（示例：仅提取名称和价格）"""soup = BeautifulSoup(html, "html.parser")stock_name = soup.select_one(".stock-name").text.strip() if soup.select_one(".stock-name") else "N/A"stock_price = soup.select_one(".price").text.strip() if soup.select_one(".price") else "N/A"return {"name": stock_name, "price": stock_price}async def save_to_csv(data, filename="stocks.csv"):"""异步写入CSV"""async with aiofiles.open(filename, mode="a", encoding="utf-8", newline="") as f:writer = csv.writer(f)await writer.writerow([data["name"], data["price"]])async def crawl_stock(stock_code, session):"""爬取单只股票数据"""url = f"https://finance.sina.com.cn/realstock/company/{stock_code}/nc.shtml"try:html = await fetch(session, url)data = await parse_stock_data(html)await save_to_csv(data)print(f"爬取成功：{stock_code} - {data['name']}")except Exception as e:print(f"爬取失败：{stock_code} - {str(e)}")async def main():"""主协程：并发爬取多个股票"""stock_codes = ["sh600000", "sh601318", "sz000001"]  # 示例股票代码（可扩展）# 使用uvloop加速（仅限Unix系统）try:import uvloopasyncio.set_event_loop_policy(uvloop.EventLoopPolicy())except ImportError:pass# 创建aiohttp会话async with aiohttp.ClientSession() as session:tasks = [crawl_stock(code, session) for code in stock_codes]await asyncio.gather(*tasks)if __name__ == "__main__":start_time = time.time()asyncio.run(main())print(f"爬取完成，耗时：{time.time() - start_time:.2f}秒")

四、性能优化策略

1. 控制并发量

新浪财经可能限制高频请求

2. 使用代理IP

避免IP被封：

3. 随机User-Agent

减少被识别为爬虫的概率：

4. 数据存储优化

异步数据库写入：如aiomysql、asyncpg。
批量写入：减少I/O次数。

import asyncio
import aiohttp
from bs4 import BeautifulSoup
import pandas as pd
from fake_useragent import UserAgent
import aiomysql# 使用 Semaphore 限制并发数
semaphore = asyncio.Semaphore(10)  # 最大并发 10# 代理信息
proxyHost = "www.16yun.cn"
proxyPort = "5445"
proxyUser = "16QMSOML"
proxyPass = "280651"# 构造代理 URL
PROXY = f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}"# 随机 User-Agent
ua = UserAgent()# 数据库配置
DB_CONFIG = {'host': 'localhost','port': 3306,'   user': 'your_username','password': 'your_password','db': 'your_database','charset': 'utf8mb4'
}# 数据存储优化：异步数据库写入
async def save_to_db(data):conn = await aiomysql.connect(**DB_CONFIG)async with conn.cursor() as cur:await cur.executemany("INSERT INTO finance_data (column1, column2, column3) VALUES (%s, %s, %s)", data)await conn.commit()conn.close()# 爬取单个股票数据
async def crawl_stock(stock_code, session):async with semaphore:url = f"https://finance.sina.com.cn/stock/{stock_code}.html"HEADERS = {"User-Agent": ua.random}async with session.get(url, headers=HEADERS, proxy=PROXY) as response:html = await response.text()data = parse(html)return data# 解析网页内容
def parse(html):soup = BeautifulSoup(html, 'html.parser')# 假设数据在特定的表格中table = soup.find('table', {'class': 'example'})data = []for row in table.find_all('tr'):cols = row.find_all('td')cols = [ele.text.strip() for ele in cols]data.append([ele for ele in cols if ele])return data# 主函数
async def main(stock_codes):async with aiohttp.ClientSession() as session:tasks = [crawl_stock(stock_code, session) for stock_code in stock_codes]all_data = await asyncio.gather(*tasks)# 扁平化数据flat_data = [item for sublist in all_data for item in sublist]# 异步批量写入数据库await save_to_db(flat_data)# 示例股票代码列表
stock_codes = ['000001','000002',# 更多股票代码
]# 运行爬虫
asyncio.run(main(stock_codes))