1. 事情是这样开始的
上周临时接了个需求，要从某新闻站（www.toutiao.com）抓一波热点数据 想着时间紧，就直接上了高并发 + 代理池，心里还美滋滋地觉得这速度肯定飞起。
结果——上线一小时，发现数据量只有预期的 40%，延迟还奇高。
2. 排查过程（时间线）
Day 1 晚上\ 先怀疑代理 IP 不行，跑去看了下日志，嗯…成功率其实还可以，80% 左右。那问题不在代理质量。
Day 2 早上\ 继续翻日志，发现一些代理节点被用得特别狠，同一个 IP 同时跑了十几二十个请求，直接被目标站点限速，甚至封禁。\ 而有些代理就几乎没用上——这就很尴尬了。
Day 3 中午\ 确认了，罪魁祸首就是：全局并发没有限速 + 单 IP 并发没控制。\ 加上失败后无脑重试，把带宽和 CPU 都消耗掉了。
3. 问题拆解
- 并发太猛，全局频率高到触发目标站限速。
- 单个代理 IP 压力过大，封了一个就拖一大片任务。
- 没有实时监控，出问题了也只能靠翻日志找线索。
4. 解决思路
- 全局限速：用信号量限制任务总并发数。
- 单节点限速：每个代理 IP 自己的并发阈值，超了就排队。
- 失败退避：不要一秒一个重试，用指数退避，慢慢来。
- 加点监控：用
tqdm做个进度条，任务数一眼能看，抓完顺手输出节点健康状态。 - 自动分析热点：爬到的标题直接做关键词统计，省得人工数。
5. 优化后代码（精简版）
import asyncio, random, re
from collections import Counter, defaultdict
from playwright.async_api import async_playwright
from tqdm.asyncio import tqdm_asyncio
#爬虫代理设置（亿牛云示例 www.16yun.cn）
PROXIES = [{"host":"proxy.16yun.cn","port":10000,"user":"16YUN","pass":"16IP"}]
KEYWORDS = ["人工智能", "芯片", "特斯拉", "东京奥运"]
MAX_TOTAL, MAX_PER_PROXY = 6, 3
total_sem = asyncio.Semaphore(MAX_TOTAL)
proxy_sem = {i: asyncio.Semaphore(MAX_PER_PROXY) for i in range(len(PROXIES))}
proxy_stats = defaultdict(lambda: {"success": 0, "fail": 0})
def extract_words(titles):
return re.findall(r"[\u4e00-\u9fa5]{2,}", " ".join(titles))
async def fetch_page(page, keyword):
await page.goto(f"https://m.toutiao.com/search/?keyword={keyword}", timeout=15000)
return [await el.inner_text() for el in await page.query_selector_all("div.result-item .title")]
async def worker(browser, proxy_idx, kw):
proxy = PROXIES[proxy_idx]
async with proxy_sem[proxy_idx], total_sem:
ctx = await browser.new_context(proxy={
"server": f"http://{proxy['host']}:{proxy['port']}",
"username": proxy['user'],
"password": proxy['pass']
})
page = await ctx.new_page()
await asyncio.sleep(random.uniform(0.3, 1.0))
for attempt in range(4):
try:
data = await fetch_page(page, kw)
proxy_stats[proxy_idx]["success"] += 1
await ctx.close()
return data
except:
proxy_stats[proxy_idx]["fail"] += 1
await asyncio.sleep((2 ** attempt) + random.random())
await ctx.close()
return []
async def main():
async with async_playwright() as pw:
browser = await pw.chromium.launch(headless=True)
tasks = [worker(browser, i % len(PROXIES), kw) for i, kw in enumerate(KEYWORDS)]
results = await tqdm_asyncio.gather(*tasks, desc="抓取进度", total=len(tasks))
await browser.close()
print("\n节点健康报告：")
for idx, stat in proxy_stats.items():
total_req = stat["success"] + stat["fail"]
rate = (stat["success"] / total_req * 100) if total_req else 0
print(f"节点 {idx}: 成功 {stat['success']} 次, 失败 {stat['fail']} 次, 成功率 {rate:.2f}%")
print("\n热点关键词：")
for word, count in Counter(extract_words([t for res in results for t in res])).most_common(10):
print(f"{word} - {count} 次")
if __name__ == "__main__":
asyncio.run(main())
6. 优化效果
- 成功率从 60% 提到了 85%+
- 单节点没再被打爆
- 热点数据直接生成，拿去分析就行
7. 最后感想
这事儿让我记住一句话： 并发不是越高越好，控制好节奏才是王道。 特别是有限制的站点，猛冲只会给自己挖坑。
