Splash渲染服务使用「建议收藏」

大家好，欢迎来到IT知识分享网。

最近在调研各种渲染服务的使用，正在使用的是google的puppeteer，但是在线上出现个问题，在多线程并发情况下速度有些问题，所以调研一下splash的服务。出乎意料的是splash服务的并发性很出色，基于异步的twisted框架，成为使用瓶颈的就是服务的稳定性了，这是后话。除了渲染服务的失败率和服务本身的不稳定问题，其他方面都可以说比较优秀，可以尝试使用一下。下面写一下关于splash部署并使用的问题。
splash是一个web服务，可以通过docker部署

sudo docker pull scrapinghub/splash
docker run -it -p 8050:8050 scrapinghub/splash

服务启动之后可以直接用浏览器访问8050端口并测试使用。
splash服务基于webkit内核，支持lua脚本，服务从8050端口启动之后，向服务所在服务器8050端口发送请求即可。这里我用的是python脚本构造了请求的url，url中添加了lua的代码段，提供请求的参数。

from urllib.parse import quote

lua = ''' function main(splash, args) splash:on_request(function(request) request:set_proxy{ host = "xxx.xxx.xxx.xxx", port = xxxx, } end) splash:set_user_agent("Mozilla/5.0") splash:go("http://xxxxxxx.com/") return splash:html() end '''
url = 'http://localhost:8050/execute?lua_source=' + quote(lua)

上述lua代码段中设置了代理和端口，lua脚本中除了设置代理外也可以设置请求头参数，具体配置参数可以参考官方文档
splash官方文档
(查官方文档是最好的选择，遇到问题在百度之前最好看一下官方文档)

from concurrent.futures import ThreadPoolExecutor
from queue import Queue
q = Queue()
for i in range(10000):
    q.put(url)
def task(n):
    while True:
        st = time.time()
        if q.empty():
            break
        else:
            url = q.get()
            if q.qsize() % 100 == 0:
                requests.post("http://localhost:8050/_gc")
            try:
                response = requests.get(url)
                if len(response.text)<5000:
                    print("重新请求")
                    time.sleep(1)
                    response = requests.get(url)
                print("%d号线程，time: %.2f 页面大小%d 剩余 %d" % (n, time.time() - st, len(response.text),q.qsize()))
            except Exception as e:
                time.sleep(3)
                response = requests.get(url)
                print("%d号线程，time: %.2f 页面大小%d 剩余 %d" % (n, time.time() - st, len(response.text),q.qsize()))
if __name__ == "__main__":
    p = ThreadPoolExecutor()
    l = []
    start = time.time()
    n = 20
    size = q.qsize()
    for i in range(n):
        obj = p.submit(task, i)
        l.append(obj)
    p.shutdown()
    print("webitem rate : %.1f item/s" % (size / (time.time() - start)))
    print(time.time() - start)

随后我开启了20个线程测试了一下splash的性能，qps大概在3左右，而puppeteer在同样条件下在1.8左右（由于挂了代理，速度会有点慢）。可以看出splash性能还是可以，但是有两个问题：1.线程开到100个以上是，服务处理请求反应变慢，然后可能会出现服务挂掉情况，而puppeteer相比就十分稳定；当出现请求密集的情况，比如刚开始启动所有线程，会出现渲染失败的情况，返回没有内容的html。这两个问题也是可以解决的，同过重启和重新请求，不过如果能通过版本更新解决这些问题是最好的