一、前言
作为一名爬虫工程师，在工作中常常会遇到爬取实时数据的需求，比如体育赛事实时数据、股市实时数据或币圈实时变化的数据。如下图：
web 领域中，用于实现数据'实时'更新的手段有轮询和 websocket 这两种。轮询指的是客户端按照一定时间间隔（如 1 秒）访问服务端接口，从而达到 '实时' 的效果，虽然看起来数据像是实时更新的，但实际上它有一定的时间间隔，并不是真正的实时更新。轮询通常采用 拉 模式，由客户端主动从服务端拉取数据。
websocket 采用的是 推 模式，由服务端主动将数据推送给客户端，这种方式是真正的实时更新。
二、什么是 websocket
websocket是一种在单个tcp连接上进行全双工通信的协议。它使得客户端和服务器之间的数据交换变得更加简单，允许服务端主动向客户端推送数据。在websocket api中，浏览器和服务器只需要完成一次握手，两者之间就直接可以创建持久性的连接，并进行双向数据传输。
websocket 优点
- 较少的控制开销：只需要进行一次握手，携带一次请求头信息即可，后续只传输数据即可，相比 http 每次请求都携带请求头，websocket 非常省资源。
- 更强的实时性：由于服务器可以主动推送消息，这使得延迟变得可以忽略不计，相比 http 轮询的时间间隔，websocket 可以在相同的时间内进行多次传输。
- 二进制支持：websocket 支持二进制帧，这意味着传输更节省。
- ……
爬虫面对 http 和 websocket
python 中的网络请求库非常多，requests 是最常用的请求库之一，它可以模拟发送网络请求。但是这些请求都是基于 http 协议的。在面对 websocket 的时候 requests 就发挥不料作用了，必须使用能够连接 websocket 的库。
三、爬取思路
这里以莱特币官网 http://www.laiteb.com/ 实时数据为例。websocket 的握手只发生一次，所以如果需要通过浏览器开发者工具观察网络请求，则需要在打开页面的情况下，打开浏览器开发者工具，定位到 newwork 选项卡，并输入或刷新当前页面，才能观察到 websocket 的握手请求和数据传输情况。这里以 chrome 浏览器为例:
在开发者工具中提供了筛选功能，其中 ws 选项代表只显示 websocket 连接的网络请求。
这时候可以看到请求记录列表中有一条名为 realtime 的记录，鼠标左键点击它后，开发者工具会分为左右两栏，右侧列出本条请求记录的详细信息：
与 http 请求不同的是，websocket 连接地址以 ws 或 wss 开头。连接成功的状态码不是 200，而是 101。
headers 标签页记录的是 request 和 response 信息，而 frames 标签页中记录的则是双方互传的数据，也是我们需要爬取的数据内容：
frames 图中绿色箭头向上的数据是客户端发送给服务端的数据，橙色箭头向下的数据是服务端推送给客户端的数据。
从数据顺序中可以看到，客户端先发送：
|
1
|
{"action":"subscribe","args":["quotebin5m:14"]} |
然后服务端才会推送信息(一直推送)：
所以，从发起握手到获得数据的整个流程为：
那么，现在问题来了：
- 握手怎么弄？
- 连接保持怎么弄？
- 消息发送和接收怎么弄？
- 有什么库可以轻松实现吗？
四、aiowebsocket
python 库中用于连接 websocket 的有很多，但是易用、稳定的有 websocket-client(非异步)、websockets(异步)、aiowebsocket（异步）。
可以根据项目需求选择三者之一，今天介绍的是异步 websocket 连接客户端 aiowebsocket。其 github 地址为： https://github.com/asyncins/aiowebsocket 。
readme中介绍到： aiowebsocket是一个遵循 websocket 规范的 异步 websocket 客户端，相对于其他库它更轻、更快。
它的安装和其他库一样简单，使用 pip install aiowebsocket 即可。安装好后，我们可以根据 readme 中提供的示例代码来测试：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
import asyncioimport loggingfrom datetime import datetimefrom aiowebsocket.converses import aiowebsocketasync 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.') |
运行后的结果输出为：
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 表示客户端向服务端发送的消息
recive 表示服务端向客户端推送的消息
五、编码获取数据
回到这一次的爬取需求，目标网站是莱特币官网：
从刚才的网络请求记录中，我们得知目标网站的 websocket 地址为： wss://api.bbxapp.vip/v1/ifcontract/realtime ,从地址中可以看出目标网站使用的是 wss，也就是 ws 的安全版，它们的关系跟 http/https 一样。aiowebsocket 会自动处理并识别 ssl，所以我们并不需要作额外的操作，只需要将目标地址赋值给连接 uri 即可：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
import asyncioimport loggingfrom datetime import datetimefrom aiowebsocket.converses import aiowebsocketasync 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.') |
运行代码后观察输出，你会发现什么都没有发生。既没有内容输出，也没有断开连接，程序一直在运行，但是什么都没有：
这是为什么呢？
是对方不接受我方的请求吗？
还是有什么反爬虫限制呢？
实际上，刚才的流程图可以解释这个问题：
整个流程中有一步是需要客户端给服务端发送指定的消息，服务端验证后才会不停推送数据。所以，应该在消息读取前、握手连接后加上消息发送的代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
import asyncioimport loggingfrom datetime import datetimefrom aiowebsocket.converses import aiowebsocketasync def startup(uri): async with aiowebsocket(uri) as aws: converse = aws.manipulator # 客户端给服务端发送消息 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.') |
保存后运行，就会看到数据源源不断的推送过来：
到这里，爬虫就能够获取到想要的数据了。
aiowebsocket 做了什么
代码不长，使用的时候只需要将目标网站 websocket 地址填入，然后按照流程发送数据即可，那么 aiowebsocket 在这个过程中做了什么呢？
- 首先，aiowebsocket 根据 websocket 地址，向指定的服务端发送握手请求，并校验握手结果。
- 然后，在确认握手成功后，将数据发送给服务端。
- 整个过程中为了保持连接不断开，aiowebsocket 会自动与服务端响应 ping pong。
- 最后，aiowebsocket 读取服务端推送的消息
【奎因：】如果你认为 aiowebsocket 帮助了你，那么请你到 github https://github.com/asyncins/aiowebsocket 上给一个 star。如果在使用当中发现问题或者希望给 aiowebsocket 提建议，那么也可以到 github 上提出。只要你提出建议，就一定能够帮助 aiowebsocket 变的更好，而 aiowebsocket 也能够继续为你服务。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://juejin.im/post/5c80b768f265da2dae514d4f
