【Python3網路爬蟲開發實戰】7.3-Splash負載均衡配置

02-26

用Splash做頁面抓取時，如果爬取的量非常大，任務非常多，用一個Splash服務來處理的話，未免壓力太大了，此時可以考慮搭建一個負載均衡器來把壓力分散到各個伺服器上。這相當於多台機器多個服務共同參與任務的處理，可以減小單個Splash服務的壓力。

1. 配置Splash服務

要搭建Splash負載均衡，首先要有多個Splash服務。假如這裡在4台遠程主機的8050埠上都開啟了Splash服務，它們的服務地址分別為41.159.27.223:8050、41.159.27.221:8050、41.159.27.9:8050和41.159.117.119:8050，這4個服務完全一致，都是通過Docker的Splash鏡像開啟的。訪問其中任何一個服務時，都可以使用Splash服務。

2. 配置負載均衡

接下來，可以選用任意一台帶有公網IP的主機來配置負載均衡。首先，在這台主機上裝好Nginx，然後修改Nginx的配置文件nginx.conf，添加如下內容：

http { upstream splash { least_conn; server 41.159.27.223:8050; server 41.159.27.221:8050; server 41.159.27.9:8050; server 41.159.117.119:8050; } server { listen 8050; location / { proxy_pass http://splash; } }}

這樣我們通過upstream欄位定義了一個名字叫作splash的服務集群配置。其中least_conn代表最少鏈接負載均衡，它適合處理請求處理時間長短不一造成伺服器過載的情況。

當然，我們也可以不指定配置，具體如下：

upstream splash { server 41.159.27.223:8050; server 41.159.27.221:8050; server 41.159.27.9:8050; server 41.159.117.119:8050;}

這樣默認以輪詢策略實現負載均衡，每個伺服器的壓力相同。此策略適合伺服器配置相當、無狀態且短平快的服務使用。

另外，我們還可以指定權重，配置如下：

upstream splash { server 41.159.27.223:8050 weight=4; server 41.159.27.221:8050 weight=2; server 41.159.27.9:8050 weight=2; server 41.159.117.119:8050 weight=1;}

這裡weight參數指定各個服務的權重，權重越高，分配到處理的請求越多。假如不同的伺服器配置差別比較大的話，可以使用此種配置。

最後，還有一種IP散列負載均衡，配置如下：

upstream splash { ip_hash; server 41.159.27.223:8050; server 41.159.27.221:8050; server 41.159.27.9:8050; server 41.159.117.119:8050;}

伺服器根據請求客戶端的IP地址進行散列計算，確保使用同一個伺服器響應請求，這種策略適合有狀態的服務，比如用戶登錄後訪問某個頁面的情形。對於Splash來說，不需要應用此設置。

我們可以根據不同的情形選用不同的配置，配置完成後重啟一下Nginx服務：

sudo nginx -s reload

這樣直接訪問Nginx所在伺服器的8050埠，即可實現負載均衡了。

3. 配置認證

現在Splash是可以公開訪問的，如果不想讓其公開訪問，還可以配置認證，這仍然藉助於Nginx。可以在server的location欄位中添加auth_basic和auth_basic_user_file欄位，具體配置如下：

這裡使用的用戶名和密碼配置放置在/etc/nginx/conf.d目錄下，我們需要使用htpasswd命令創建。例如，創建一個用戶名為admin的文件，相關命令如下：

htpasswd -c .htpasswd admin

接下來就會提示我們輸入密碼，輸入兩次之後，就會生成密碼文件，其內容如下：

cat .htpasswd admin:5ZBxQr0rCqwbc

配置完成後，重啟一下Nginx服務：

sudo nginx -s reload

這樣訪問認證就成功配置好了。

4. 測試

最後，我們可以用代碼來測試一下負載均衡的配置，看看到底是不是每次請求會切換IP。利用http://httpbin.org/get測試即可，實現代碼如下：

import requestsfrom urllib.parse import quoteimport relua = function main(splash, args) local treat = require("treat") local response = splash:http_get("http://httpbin.org/get") return treat.as_string(response.body)endurl = http://splash:8050/execute?lua_source= + quote(lua)response = requests.get(url, auth=(admin, admin))ip = re.search((d+.d+.d+.d+), response.text).group(1)print(ip)

這裡URL中的splash字元串請自行替換成自己的Nginx伺服器IP。這裡我修改了Hosts，設置了splash為Nginx伺服器IP。

多次運行代碼之後，可以發現每次請求的IP都會變化，比如第一次的結果：

41.159.27.223

第二次的結果：

41.159.27.9

這就說明負載均衡已經成功實現了。

本節中，我們成功實現了負載均衡的配置。配置負載均衡後，可以多個Splash服務共同合作，減輕單個服務的負載，這還是比較有用的。

本資源首發於崔慶才的個人博客靜覓： Python3網路爬蟲開發實戰教程 | 靜覓

如想了解更多爬蟲資訊，請關注我的個人微信公眾號：進擊的Coder

http://weixin.qq.com/r/5zsjOyvEZXYarW9Y9271 (二維碼自動識別)