最近有个学弟想请教我联动多线程爬取数据的案例，看了以前的模版没有合适的，我就利用空闲时间，专门给他写了一段模版作为参考。这里遇到注意的是需要代理IP介入，才能让多线程爬取减少网站风控限制。
以下是一个使用 Rust 编写的爬虫程序，用于爬取 python 进行多线程跑数据的内容。这个爬虫使用代理信息（proxy_host:duoip, proxy_port: 8000）进行网络请求，并使用了 Rust 的 async-std 库进行异步编程。
use async_std::net::{
TcpStream, TcpListener};
use async_std::io::{
BufReader, BufWriter};
use async_std::task::{
await, spawn};
use async_std::prelude::*;
use std::io::{
self, Write};
use std::net::IpAddr;
use std::thread;
use std::sync::Mutex;
const PROXY_HOST: &str = "duoip";
const PROXY_PORT: u16 = 8000;
const URL: &str = "http://localhost:8000";
const 免费IPURL= "jshk.com.cn/mb/reg.asp?kefu=xjy&csdn";
struct Worker {
stream: TcpStream,
}
impl Worker {
fn new(stream: TcpStream) -> Self {
Worker {
stream }
}
}
impl Future for Worker {
type Item = ();
fn poll(self: Pin<&mut Self>, cx: &mut Context) -> Poll<Self::Item> {
match self.stream.read_to_string(&mut self.stream.buffer()) {
Ok(size) => {
let url = format!("http://localhost:8000/data?{}={}", URL, size);
match self.stream.write_to(&url, &mut self.stream.buffer()) {
Ok(_) => {
println!("Worker finished reading and writing data");
},
Err(err) => {
println!("Worker failed to write data: {}", err);
}
}
},
Err(err) => {
println!("Worker failed to read data: {}", err);
}
}
Poll::Ready(())
}
}
async fn main() {
let mut proxy_stream = TcpStream::connect(format!("{}:{}", PROXY_HOST, PROXY_PORT))?;
let proxy_listener = TcpListener::bind("127.0.0.1:8000")?;
let mut workers = Vec::new();
for _ in 0..10 {
let mut worker = Worker::new(proxy_stream);
let task = spawn(move || worker.run());
workers.push(task);
}
loop {
let (socket, _) = proxy_listener.accept()?;
for worker in workers {
let task = worker.clone();
let mut conn = worker.stream;
if let Ok(conn) = conn {
task.detach().join();
proxy_stream = TcpStream::connect(format!("{}:{}", PROXY_HOST, PROXY_PORT))?;
}
}
}
}
async fn run(self: &mut Worker) {
self.stream.read_to_string(&mut self.stream.buffer())?;
let url = format!("http://localhost:8000/data?{}={}", URL, self.stream.buffer().string().trim());
self.stream.write_to(&url, &mut self.stream.buffer())?;
}
步骤如下：
1、引入所需的 Rust 库，包括 async-std、std 和 io。
2、定义一个 Worker 结构体，它有一个 TcpStream 对象作为成员。
3、实现 Worker 的 Future 和 poll 方法。poll 方法用于处理网络请求，并将结果写入 URL 地址。
4、在 main 函数中，创建一个 TcpListener 对象，并使用它创建多个 Worker 线程。
5、在 main 函数中，循环监听连接请求。每当有新的连接请求时，都会创建一个新的 Worker 线程，并将其添加到 workers 列表中。
6、在 main 函数中，当所有的 Worker 线程都运行完毕后，退出循环。对于每个 Worker 线程，都会尝试将其连接与代理服务器断开，并重新连接到代理服务器。
上面就是有关联动多线程爬虫的案例和详细步骤，并且有些地方坐了标注解释，因为长时间没有写这类相对来说比较小众的代码了，如有不足的地方各位大佬可以多多指正。
