两周完成爬虫技术栈升级:Scrapy 迁移 Crawlo 的路径与取舍

问题定位:不是框架选型错,是执行模型不匹配 我们的抓取服务在 Scrapy 上稳定运行了两年,日均调度量从 30 万涨到 3000 万。迁移的动因不是 Scrapy 不行,而是它的并发模型在当前负载下出现了结构性瓶颈。 Scrapy 建立在 Twisted 之上,整套请求与回调跑在单个 reactor 线程里,靠协程让出 CPU 来实现并发。这要求每个回调必须是非阻塞的。一旦 parse 回调里出现 CPU 密集的同步代码,比如大文档的 XPath 批量抽取、深回溯正则、或者 JSON 反序列化后的字段规整,reactor 就会被这一个回调独占,事件循环无法推进,同进程内其他所有在途请求一起排队。 更麻烦的是 GIL。Twisted 的线程池能把阻塞调用 offload 到线程,但 Python 的 GIL 让纯 CPU 解析无法在多核间真正并行,线程桥接反而引入锁竞争和死锁排查成本。我们曾因为一个 Spider 的正则在新页面结构上退化为 O(n²),单机能级延迟从 80ms 飙到 4s,整台机器抓取近乎停摆。 Crawlo 的模型从根上避开了这一点:取数层(网络 IO)和处理层(CPU 解析)是两个独立的执行体,通过有界队列连接。网络协程只负责收发字节,解析 worker 只吃 CPU,两边用背压解耦。 路径一:取数层改为有界并发的异步客户端 取数层弃用 Scrapy Downloader,直接用 aiohttp。关键不在"异步"本身,而在并发上限和背压必须显式可控:TCPConnector(limit=...) 约束对外连接数,Semaphore 约束在途请求数,Queue(maxsize=...) 在解析慢于抓取时反向压住生产者,避免内存被待处理 HTML 撑爆。 代理地址作为构造参数透传,是后面接亿牛云的前提。解析不再与网络共享协程栈,reactor 被单点拖垮的问题消失。 路径二:处理层下沉为无状态解析 worker 处理层从 Spider 回调改为从队列消费消息、解析、回写。worker 完全不碰网络,因此定位性能问题只需要看单个 worker 的耗时分布,不需要在 Twisted 调用栈里翻找。

from typing import Callable

async def parse_worker(
    queue: asyncio.Queue,
    parse_fn: Callable[[str], dict],
    out,
):
    while True:
        url, html = await queue.get()
        try:
            if html is None:
                continue
            record = parse_fn(html)        # 纯 CPU,无 IO
            out.write(record)
        finally:
            queue.task_done()

async def pipeline(urls, parse_fn, out, proxy_url, workers=8):
    queue: asyncio.Queue = asyncio.Queue(maxsize=200)  # 背压边界
    async with Fetcher(proxy_url) as fetcher:
        consumers = [
            asyncio.create_task(parse_worker(queue, parse_fn, out))
            for _ in range(workers)
        ]
        producers = [
            asyncio.create_task(_produce(fetcher, urls[i::workers], queue))
            for i in range(workers)
        ]
        await asyncio.gather(*producers)
        await queue.join()
        for c in consumers:
            c.cancel()

迁移中改动量最大的一处是上下文传递。老 Spider 习惯把上游信息塞进 response.meta,下游回调随手取用。worker 模型要求 parse_fn 是纯函数,输入只有 HTML 和显式声明的元数据,输出是规整后的 record。我们对 40 多个 Spider 做了一次 meta 字段审计,把隐式依赖全部改成函数签名显式传入。 接入亿牛云隧道代理:把 IP 质量从业务里剥离 目标站点上线行为风控后,出口 IP 的纯净度直接决定抓取成功率。我们没有自建代理池,而是接入亿牛云的动态隧道代理。选择隧道而非前向代理,原因在于隧道把 IP 轮换和健康度管理收敛到代理侧:业务每次请求都打到固定隧道入口,由亿牛云在后端按策略切换出口 IP 并自动剔除被封节点,代码里不需要维护 IP 池、不需要写健康检查。


# 亿牛云隧道代理:用户名承载订单与鉴权,密码为动态令牌
# host / port 在亿牛云控制台开通隧道后获取
PROXY_URL = "http://{user}:{pwd}@{host}:{port}".format(
    user=os.environ["YINIU_USER"],
    pwd=os.environ["YINIU_PWD"],
    host=os.environ["YINIU_HOST"],
    port=os.environ["YINIU_PORT"],
)

隧道代理的代价是单次请求多一跳,RTT 比直连高 20ms 到 50ms 左右。我们的场景对端到端延迟不敏感、对成功率敏感,这笔交换成立。若业务是强实时的在线查询,就要重新评估:要么换前向代理就近部署,要么把隧道节点和抓取目标放在同可用区。 为了量化代理质量,我们在 fetcher 里加了一个轻量统计钩子,按域名记录成功率和 403/429 占比,直接喂给监控,而不是等封禁率涨上去才人工发现。

    def __init__(self):
        self.ok = 0
        self.blocked = 0

    def record(self, status):
        if status == 0 or status >= 400:
            self.blocked += 1
        else:
            self.ok += 1

    @property
    def ban_rate(self):
        total = self.ok + self.blocked
        return self.blocked / total if total else 0.0

路径三:重试与去重下沉到队列层 重试逻辑从 Spider 剥离,改为按状态码决定策略。0 是网络层失败,应当短时指数退避立即重试;429 和 503 是服务端限流,退避更长;2xx/3xx 正常消费;4xx(非 429)通常是目标结构问题,不应盲目重试,否则只会增加被封概率。


BACKOFF = {0: 2, 429: 30, 500: 10, 503: 20}
MAX_RETRY = {0: 5, 429: 3, 503: 3}

async def schedule_retry(url, status, attempt, queue, seen):
    if status not in BACKOFF:
        return
    if attempt >= MAX_RETRY.get(status, 0):
        return
    base = BACKOFF[status] * (2 ** attempt)      # 指数退避
    jitter = random.uniform(0, base * 0.3)        # 抖动避免惊群
    await asyncio.sleep(base + jitter)
    await queue.put((url, None, attempt + 1))

去重从 Scrapy 的 RFPDupeFilter(基于内存 set,进程重启即丢,且常驻几 GB)换成 Redis 上的布隆过滤器,跨进程共享、内存占用降到几十 MB,误判率按业务容忍度设为 0.1%。生产用 Redis 版 pybloom_live 的 RedisBloomFilter 即可,本地调试可用 ScalableBloomFilter 替代。


seen = ScalableBloomFilter(initial_capacity=10_000_000, error_rate=0.001)

def should_crawl(url):
    if url in seen:
        return False
    seen.add(url)
    return True

两周排期与回退策略 第一周搭骨架并做单域名试点:把一个高流量域名的解析函数原样搬进 worker,抓取用 Fetcher 重写,重点验证解耦后的吞吐与稳定性。试点期同时跑新旧两条链路、打同样流量做对照,确认 p90 延迟和成功率达标再推进。 第二周按域名灰度:10% 流量观察一小时,无异常升到 50%,再全量。旧 Scrapy 链路全程保留作回退,切换开关放在配置中心,异常时秒级回切。全量后旧链路继续双跑两天,对照指标无偏差才下线。 取舍清单与结果 最终的三笔账: 保留:Scrapy 的 Item Pipeline 思路,字段校验挪到 out.write 前的规整阶段。 丢弃:Twisted 线程桥接、堆在 middleware 里的代理切换与重试逻辑。 新增:亿牛云隧道代理适配、状态码感知的退避重试、Redis 布隆去重、按域名的代理质量统计。 代价是 Crawlo 生态比 Scrapy 小,部分中间件要自己写,但这笔成本一次性付清,换来的是后续可按需扩展 worker 数、独立调优抓取与解析。 上线后日均调度量不变,机器数从 12 台降到 8 台,解析慢导致的队列积压基本消失;代理封禁率因隧道自动换 IP 下降约六成,目标站点 403 显著减少。两周交付的是主干替换,监控告警细化和 worker 弹性伸缩是后续迭代项。

粗体

评论

暂无评论