一、前言

作為一名爬蟲工程師，在工作中常常會遇到爬取實時數(shù)據(jù)的需求，比如體育賽事實時數(shù)據(jù)、股市實時數(shù)據(jù)或幣圈實時變化的數(shù)據(jù)。如下圖：

Web 領(lǐng)域中，用于實現(xiàn)數(shù)據(jù)'實時'更新的手段有輪詢和 WebSocket 這兩種。輪詢指的是客戶端按照一定時間間隔（如 1 秒）訪問服務(wù)端接口，從而達到 '實時' 的效果，雖然看起來數(shù)據(jù)像是實時更新的，但實際上它有一定的時間間隔，并不是真正的實時更新。輪詢通常采用 拉 模式，由客戶端主動從服務(wù)端拉取數(shù)據(jù)。

WebSocket 采用的是 推 模式，由服務(wù)端主動將數(shù)據(jù)推送給客戶端，這種方式是真正的實時更新。

二、什么是 WebSocket

WebSocket是一種在單個TCP連接上進行全雙工通信的協(xié)議。它使得客戶端和服務(wù)器之間的數(shù)據(jù)交換變得更加簡單，允許服務(wù)端主動向客戶端推送數(shù)據(jù)。在WebSocket API中，瀏覽器和服務(wù)器只需要完成一次握手，兩者之間就直接可以創(chuàng)建持久性的連接，并進行雙向數(shù)據(jù)傳輸。

WebSocket 優(yōu)點

• 較少的控制開銷：只需要進行一次握手，攜帶一次請求頭信息即可，后續(xù)只傳輸數(shù)據(jù)即可，相比 HTTP 每次請求都攜帶請求頭，WebSocket 非常省資源。
• 更強的實時性：由于服務(wù)器可以主動推送消息，這使得延遲變得可以忽略不計，相比 HTTP 輪詢的時間間隔，WebSocket 可以在相同的時間內(nèi)進行多次傳輸。
• 二進制支持：WebSocket 支持二進制幀，這意味著傳輸更節(jié)省。
• ……

爬蟲面對 HTTP 和 WebSocket

Python 中的網(wǎng)絡(luò)請求庫非常多，Requests 是最常用的請求庫之一，它可以模擬發(fā)送網(wǎng)絡(luò)請求。但是這些請求都是基于 HTTP 協(xié)議的。在面對 WebSocket 的時候 Requests 就發(fā)揮不料作用了，必須使用能夠連接 WebSocket 的庫。

三、爬取思路

這里以萊特幣官網(wǎng) http://www.laiteb.com/ 實時數(shù)據(jù)為例。WebSocket 的握手只發(fā)生一次，所以如果需要通過瀏覽器開發(fā)者工具觀察網(wǎng)絡(luò)請求，則需要在打開頁面的情況下，打開瀏覽器開發(fā)者工具，定位到 NewWork 選項卡，并輸入或刷新當(dāng)前頁面，才能觀察到 WebSocket 的握手請求和數(shù)據(jù)傳輸情況。這里以 Chrome 瀏覽器為例:

在開發(fā)者工具中提供了篩選功能，其中 WS 選項代表只顯示 WebSocket 連接的網(wǎng)絡(luò)請求。

這時候可以看到請求記錄列表中有一條名為 realTime 的記錄，鼠標(biāo)左鍵點擊它后，開發(fā)者工具會分為左右兩欄，右側(cè)列出本條請求記錄的詳細信息：

與 HTTP 請求不同的是，WebSocket 連接地址以 ws 或 wss 開頭。連接成功的狀態(tài)碼不是 200，而是 101。

Headers 標(biāo)簽頁記錄的是 Request 和 Response 信息，而 Frames 標(biāo)簽頁中記錄的則是雙方互傳的數(shù)據(jù)，也是我們需要爬取的數(shù)據(jù)內(nèi)容：

Frames 圖中綠色箭頭向上的數(shù)據(jù)是客戶端發(fā)送給服務(wù)端的數(shù)據(jù)，橙色箭頭向下的數(shù)據(jù)是服務(wù)端推送給客戶端的數(shù)據(jù)。

從數(shù)據(jù)順序中可以看到，客戶端先發(fā)送：

{"action":"subscribe","args":["QuoteBin5m:14"]}

然后服務(wù)端才會推送信息(一直推送)：

所以，從發(fā)起握手到獲得數(shù)據(jù)的整個流程為：

那么，現(xiàn)在問題來了：

• 握手怎么弄？
• 連接保持怎么弄？
• 消息發(fā)送和接收怎么弄？
• 有什么庫可以輕松實現(xiàn)嗎？

四、aiowebsocket

Python 庫中用于連接 WebSocket 的有很多，但是易用、穩(wěn)定的有 websocket-client(非異步)、websockets(異步)、aiowebsocket（異步）。

可以根據(jù)項目需求選擇三者之一，今天介紹的是異步 WebSocket 連接客戶端 aiowebsocket。其 Github 地址為： https://github.com/asyncins/aiowebsocket 。

ReadMe中介紹到： AioWebSocket是一個遵循 WebSocket 規(guī)范的 異步 WebSocket 客戶端，相對于其他庫它更輕、更快。

它的安裝和其他庫一樣簡單，使用 pip install aiowebsocket 即可。安裝好后，我們可以根據(jù) ReadMe 中提供的示例代碼來測試：

import asyncio
import logging
from datetime import datetime
from aiowebsocket.converses import AioWebSocket


async def startup(uri):
 async with AioWebSocket(uri) as aws:
  converse = aws.manipulator
  message = b'AioWebSocket - Async WebSocket Client'
  while True:
   await converse.send(message)
   print('{time}-Client send: {message}'
     .format(time=datetime.now().strftime('%Y-%m-%d %H:%M:%S'), message=message))
   mes = await converse.receive()
   print('{time}-Client receive: {rec}'
     .format(time=datetime.now().strftime('%Y-%m-%d %H:%M:%S'), rec=mes))


if __name__ == '__main__':
 remote = 'ws://echo.websocket.org'
 try:
  asyncio.get_event_loop().run_until_complete(startup(remote))
 except KeyboardInterrupt as exc:
  logging.info('Quit.')

運行后的結(jié)果輸出為：

2019-03-07 15:43:55-Client send: b'AioWebSocket - Async WebSocket Client'
2019-03-07 15:43:55-Client receive: b'AioWebSocket - Async WebSocket Client'
2019-03-07 15:43:55-Client send: b'AioWebSocket - Async WebSocket Client'
2019-03-07 15:43:56-Client receive: b'AioWebSocket - Async WebSocket Client'
2019-03-07 15:43:56-Client send: b'AioWebSocket - Async WebSocket Client'
……

send 表示客戶端向服務(wù)端發(fā)送的消息

recive 表示服務(wù)端向客戶端推送的消息

五、編碼獲取數(shù)據(jù)

回到這一次的爬取需求，目標(biāo)網(wǎng)站是萊特幣官網(wǎng)：

從剛才的網(wǎng)絡(luò)請求記錄中，我們得知目標(biāo)網(wǎng)站的 WebSocket 地址為： wss://api.bbxapp.vip/v1/ifcontract/realTime ,從地址中可以看出目標(biāo)網(wǎng)站使用的是 wss，也就是 ws 的安全版，它們的關(guān)系跟 HTTP/HTTPS 一樣。aiowebsocket 會自動處理并識別 ssl，所以我們并不需要作額外的操作，只需要將目標(biāo)地址賦值給連接 uri 即可：

import asyncio
import logging
from datetime import datetime
from aiowebsocket.converses import AioWebSocket


async def startup(uri):
 async with AioWebSocket(uri) as aws:
  converse = aws.manipulator
  while True:
   mes = await converse.receive()
   print('{time}-Client receive: {rec}'
     .format(time=datetime.now().strftime('%Y-%m-%d %H:%M:%S'), rec=mes))


if __name__ == '__main__':
 remote = 'wss://api.bbxapp.vip/v1/ifcontract/realTime'
 try:
  asyncio.get_event_loop().run_until_complete(startup(remote))
 except KeyboardInterrupt as exc:
  logging.info('Quit.')

運行代碼后觀察輸出，你會發(fā)現(xiàn)什么都沒有發(fā)生。既沒有內(nèi)容輸出，也沒有斷開連接，程序一直在運行，但是什么都沒有：

這是為什么呢？

是對方不接受我方的請求嗎？

還是有什么反爬蟲限制呢？

實際上，剛才的流程圖可以解釋這個問題：

整個流程中有一步是需要客戶端給服務(wù)端發(fā)送指定的消息，服務(wù)端驗證后才會不停推送數(shù)據(jù)。所以，應(yīng)該在消息讀取前、握手連接后加上消息發(fā)送的代碼：

import asyncio
import logging
from datetime import datetime
from aiowebsocket.converses import AioWebSocket


async def startup(uri):
 async with AioWebSocket(uri) as aws:
  converse = aws.manipulator
  # 客戶端給服務(wù)端發(fā)送消息
  await converse.send('{"action":"subscribe","args":["QuoteBin5m:14"]}')
  while True:
   mes = await converse.receive()
   print('{time}-Client receive: {rec}'
     .format(time=datetime.now().strftime('%Y-%m-%d %H:%M:%S'), rec=mes))


if __name__ == '__main__':
 remote = 'wss://api.bbxapp.vip/v1/ifcontract/realTime'
 try:
  asyncio.get_event_loop().run_until_complete(startup(remote))
 except KeyboardInterrupt as exc:
  logging.info('Quit.')

保存后運行，就會看到數(shù)據(jù)源源不斷的推送過來：

到這里，爬蟲就能夠獲取到想要的數(shù)據(jù)了。

aiowebsocket 做了什么

代碼不長，使用的時候只需要將目標(biāo)網(wǎng)站 WebSocket 地址填入，然后按照流程發(fā)送數(shù)據(jù)即可，那么 aiowebsocket 在這個過程中做了什么呢？

• 首先，aiowebsocket 根據(jù) WebSocket 地址，向指定的服務(wù)端發(fā)送握手請求，并校驗握手結(jié)果。
• 然后，在確認握手成功后，將數(shù)據(jù)發(fā)送給服務(wù)端。
• 整個過程中為了保持連接不斷開，aiowebsocket 會自動與服務(wù)端響應(yīng) ping pong。
• 最后，aiowebsocket 讀取服務(wù)端推送的消息

【奎因：】如果你認為 aiowebsocket 幫助了你，那么請你到 Github https://github.com/asyncins/aiowebsocket 上給一個 Star。如果在使用當(dāng)中發(fā)現(xiàn)問題或者希望給 aiowebsocket 提建議，那么也可以到 Github 上提出。只要你提出建議，就一定能夠幫助 aiowebsocket 變的更好，而 aiowebsocket 也能夠繼續(xù)為你服務(wù)。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評論