自学内容网 自学内容网
自学内容网 > 正文

使用 Puppeteer-Cluster 和代理进行高效网络抓取： 完全指南

🕗 发布于 2024-09-21 11:50 网络  php  开发语言  代理服务器  大数据  

文章目录

一、介绍？

网络搜刮对于大规模收集数据至关重要，而 Puppeteer 是一种广泛使用的工具，用于自动执行网络搜刮等浏览器任务。不过，随着刮擦需求的增长，你需要高效地管理多个浏览器实例，同时避免 IP 禁止。这就是 Puppeteer-Cluster 和代理发挥作用的地方。

在本博客中，我们将探讨如何使用 Puppeteer-Cluster 扩展网络刮擦，同时集成代理服务器以避免检测并提高刮擦性能。此外，我们还将逐步介绍如何使用特定凭证集成代理服务器。

二、什么是 Puppeteer-Cluster？

Puppeteer-Cluster 是一个开源库，旨在通过并发运行多个无头浏览器实例来扩展 Puppeteer 的功能。它能处理任务队列、重试和并发，使大规模刮擦更易于管理和高效。

Puppeteer-Cluster 的主要功能包括

并发性： 并行运行多个浏览器实例，提高搜索任务的速度和效率。
任务调度: 自动处理任务调度，防止资源过载。
重试和错误处理: 如果页面加载失败，Puppeteer-Cluster 可重试任务，提高可靠性。
优化资源使用： 通过管理浏览器会话，Puppeteer-Cluster 可减少内存和 CPU 开销。

这些功能使 Puppeteer-Cluster 成为管理大型刮擦操作（需要同时刮擦多个页面）的高效工具。

三、为什么代理在网络抓取中很重要？

网站通常会对进入的流量进行监控，以检测和阻止机器人，尤其是当许多请求来自同一个 IP 地址时。这时，代理服务器就能派上用场。代理服务器通过充当中间人来掩盖你的真实 IP，允许你在不同的 IP 地址之间轮换。

以下是代理的主要类型：

动态住宅代理：分配给真正房主的 IP 地址。它们非常可靠，难以屏蔽，但价格较高。
数据中心代理： 速度快、成本低，但与住宅代理相比更容易被发现和拦截。
静态住宅（ISP） 代理： 介于住宅代理和数据中心代理之间，速度快，可靠性高，不易被发现。

使用代理可以：

轮换 IP 地址，避免被屏蔽。
绕过地理限制，访问特定地区的内容。
保持匿名性，因为每个请求看起来都来自不同的用户。

四、 为什么使用带代理的 Puppeteer-Cluster？

虽然 Puppeteer-Cluster 可以同时运行多个浏览器，但添加代理后，每个浏览器实例都可以从不同的 IP 地址发出请求。这有助于防止检测，避免速率限制，并能搜刮受地域限制的内容。使用带有代理服务器的 Puppeteer-Cluster，不仅能确保刮擦基础架构的可扩展性，还能确保其稳健性。

在 Puppeteer-Cluster 中使用代理的一些好处：
降低封禁风险：通过使用代理，每个请求看起来都来自不同的 IP，使网站更难检测和封禁您的刮擦器。
绕过地理限制： 代理允许您从可能受地理位置限制的网站上抓取内容。
增强可扩展性： 将代理服务器与 Puppeteer-Cluster 结合使用，可以同时运行大量搜刮任务，而不会触及速率限制。

五、分步指南： 带代理的 Puppeteer 群集

在本节中，我们将介绍如何设置 Puppeteer-Cluster，并将其配置为使用带身份验证的代理。开始之前，请确保您的系统已安装 Node.js。

5.1. 步骤 1：安装所需程序库

首先，为你的项目创建一个新文件夹，如 “puppeteer-project”。然后，打开命令提示符（Windows）或终端（macOS、Linux），使用命令 “cd ”导航到该文件夹，并在后面跟上文件夹的目录路径。然后，运行此命令创建 package.json 文件，该文件记录了项目所需的库：

npm init -y

接下来，安装 Puppeteer、Puppeteer-Cluster 和 ProxyChain（用于代理管理）：

npm install puppeteer puppeteer-cluster proxy-chain

5.2. 步骤 2. 获取并设置代理

  1. 注册 Smartdaili 面板。
    在这里插入图片描述
  2. 在右侧菜单栏中选择符合您需求的代理类型。
    在这里插入图片描述
  3. 选择适合您需要的代理和计划。
  4. 打开代理设置选项卡。

在这里插入图片描述
5. 导航到下面的端点生成器。
6. 配置参数。设置身份验证方法、位置、会话类型和协议。
7. 选择要生成的代理端点数量（默认值 -10）。
8. 点击复制按钮，复制端点。

5.3. 步骤 3：使用代理身份验证设置 Puppeteer-Cluster

在项目文件夹中新建一个名为 “index.js ”的文件。将下面的 JavaScript 代码插入 “index.js ”文件，以便将代理凭据与 Puppeteer-Cluster 集成：

const { Cluster } = require('puppeteer-cluster');
const ProxyChain = require('proxy-chain');

(async () => {
    // Proxy details
    const proxyUrl = 'http://username:password@gate.visitxiangtan.com:10001';

    // Create an anonymized proxy URL using ProxyChain to strip the credentials
    const newProxyUrl = await ProxyChain.anonymizeProxy(proxyUrl);

    // Initialize Puppeteer-Cluster
    const cluster = await Cluster.launch({
        concurrency: Cluster.CONCURRENCY_CONTEXT,
        maxConcurrency: 5,  // Number of concurrent browser instances
        puppeteerOptions: {
            headless: true,
            args: [`--proxy-server=${newProxyUrl}`],  // Set proxy for each browser instance
        },
    });

    // Define the task for each browser instance
    await cluster.task(async ({ page, data: url }) => {
        try {
            // Set proxy authentication
            await page.authenticate({
                username: 'username',
                password: 'password',
            });

            // Navigate to the URL
            await page.goto(url, { waitUntil: 'domcontentloaded' });

            // Extract and log page content (or other data as needed)
            const content = await page.content();
            console.log(`Content from ${url}: \n`, content);

        } catch (error) {
            console.error(`Error scraping ${url}:`, error);
        }
    });

    // Queue tasks for Puppeteer-Cluster
    await cluster.queue('https://ip.smartdaili-china.com/json');
    await cluster.queue('https://example.com');  // You can add more URLs here

    // Wait for tasks to finish
    await cluster.idle();
    await cluster.close();
})();

代码解释：

  1. 代理设置：

将 “http://username:password @gate.visitxiangtan.com:10001 ”替换为包含用户名和密码的代理服务器 URL。
在“//设置代理身份验证 ”下面，将用户名和密码替换为实际代理凭证。

  1. 并发性： 我们将 Puppeteer-Cluster 配置为最多同时运行 5 个浏览器实例。你可以根据系统资源情况增减。
  2. 任务： 集群中的每个浏览器实例将访问不同的 URL，确保高效的多任务处理。
  3. 匿名代理： 我们使用 “ProxyChain.anonymizeProxy() ”函数，在将代理 URL 传递给 Puppeteer 之前，从代理 URL 中剥离凭据。这可确保代理在刮擦过程中保持匿名。

要在命令提示符或终端中运行代码，请使用以下命令：

node index.js

然后，脚本将执行并输出指定 URL 的内容。

六、使用 Puppeteer 群集和代理的最佳实践

定期轮换代理服务器： 确保您的代理服务器经常轮换，以避免被反窃听措施检测到。
尊重网站政策： 始终遵守网站的 robots.txt 文件和服务条款，避免出现法律或道德问题。
节流请求： 在请求之间添加一个小延迟，有助于避免触发反僵尸保护措施。一般来说，500 毫秒至 1 秒的延迟是安全的。
处理验证码： 许多网站在检测刮擦活动时都会使用验证码。使用验证码解决服务或谨慎限制请求速度有助于绕过这些挑战。

七、结论

Puppeteer-Cluster 搭配代理服务器，为可扩展的高效网络搜索提供了强大的解决方案。Puppeteer-Cluster 能够同时运行多个浏览器实例，而代理服务器则能屏蔽 IP 地址并避免限制，这为你提供了执行大规模网络搜索任务所需的工具。

按照本指南中概述的步骤，你可以用代理身份验证设置 Puppeteer-Cluster，这样你就可以同时从多个网站搜刮数据，而不必担心被屏蔽。这种组合可确保你的刮擦操作保持快速、高效和不被发现。


原文地址：https://blog.csdn.net/SmartGarret/article/details/142386457

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

相关文章

自学内容网
Copyright © 2015-2024