Python如何爬取實時變化的WebSocket數據

一、前言

作為一名爬蟲工程師，在工作中常常會遇到爬取實時數據的需求，比如體育賽事實時數據、股市實時數據或幣圈實時變化的數據。如下圖：

Web 領域中，用于實現數據'實時'更新的手段有輪詢和 WebSocket 這兩種。輪詢指的是客戶端按照一定時間間隔（如 1 秒）訪問服務端接口，從而達到 '實時' 的效果，雖然看起來數據像是實時更新的，但實際上它有一定的時間間隔，并不是真正的實時更新。輪詢通常采用 拉 模式，由客戶端主動從服務端拉取數據。

WebSocket 采用的是 推 模式，由服務端主動將數據推送給客戶端，這種方式是真正的實時更新。

二、什么是 WebSocket

WebSocket是一種在單個TCP連接上進行全雙工通信的協議。它使得客戶端和服務器之間的數據交換變得更加簡單，允許服務端主動向客戶端推送數據。在WebSocket API中，瀏覽器和服務器只需要完成一次握手，兩者之間就直接可以創建持久性的連接，并進行雙向數據傳輸。

WebSocket 優點

較少的控制開銷：只需要進行一次握手，攜帶一次請求頭信息即可，后續只傳輸數據即可，相比 HTTP 每次請求都攜帶請求頭，WebSocket 非常省資源。

更強的實時性：由于服務器可以主動推送消息，這使得延遲變得可以忽略不計，相比 HTTP 輪詢的時間間隔，WebSocket 可以在相同的時間內進行多次傳輸。

二進制支持：WebSocket 支持二進制幀，這意味著傳輸更節省。

……

爬蟲面對 HTTP 和 WebSocket

Python 中的網絡請求庫非常多，Requests 是最常用的請求庫之一，它可以模擬發送網絡請求。但是這些請求都是基于 HTTP 協議的。在面對 WebSocket 的時候 Requests 就發揮不料作用了，必須使用能夠連接 WebSocket 的庫。

三、爬取思路

這里以萊特幣官網 http://www.laiteb.com/ 實時數據為例。WebSocket 的握手只發生一次，所以如果需要通過瀏覽器開發者工具觀察網絡請求，則需要在打開頁面的情況下，打開瀏覽器開發者工具，定位到 NewWork 選項卡，并輸入或刷新當前頁面，才能觀察到 WebSocket 的握手請求和數據傳輸情況。這里以 Chrome 瀏覽器為例:

在開發者工具中提供了篩選功能，其中 WS 選項代表只顯示 WebSocket 連接的網絡請求。

這時候可以看到請求記錄列表中有一條名為 realTime 的記錄，鼠標左鍵點擊它后，開發者工具會分為左右兩欄，右側列出本條請求記錄的詳細信息：

與 HTTP 請求不同的是，WebSocket 連接地址以 ws 或 wss 開頭。連接成功的狀態碼不是 200，而是 101。

Headers 標簽頁記錄的是 Request 和 Response 信息，而 Frames 標簽頁中記錄的則是雙方互傳的數據，也是我們需要爬取的數據內容：

Frames 圖中綠色箭頭向上的數據是客戶端發送給服務端的數據，橙色箭頭向下的數據是服務端推送給客戶端的數據。

從數據順序中可以看到，客戶端先發送：

{"action":"subscribe","args":["QuoteBin5m:14"]}

然后服務端才會推送信息(一直推送)：

{"group":"QuoteBin5m:14","data":[{"low":"55.42","high":"55.63","open":"55.42","close":"55.59","last_price":"55.59","avg_price":"55.5111587372932781077","volume":"40078","timestamp":1551941701,"rise_fall_rate":"0.0030674846625766871","rise_fall_value":"0.17","base_coin_volume":"400.78","quote_coin_volume":"22247.7621987324"}]}

所以，從發起握手到獲得數據的整個流程為：

那么，現在問題來了：

握手怎么弄？

連接保持怎么弄？

消息發送和接收怎么弄？

有什么庫可以輕松實現嗎？

四、aiowebsocket

Python 庫中用于連接 WebSocket 的有很多，但是易用、穩定的有 websocket-client(非異步)、websockets(異步)、aiowebsocket（異步）。

可以根據項目需求選擇三者之一，今天介紹的是異步 WebSocket 連接客戶端 aiowebsocket。

Github 地址為：https://github.com/asyncins/aiowebsocket

ReadMe中介紹到：

AioWebSocket是一個遵循 WebSocket 規范的 異步 WebSocket 客戶端，相對于其他庫它更輕、更快。

它的安裝和其他庫一樣簡單，使用pip install aiowebsocket即可。安裝好后，我們可以根據 ReadMe 中提供的示例代碼來測試：

importasyncioimportloggingfromdatetimeimportdatetimefromaiowebsocket.conversesimportAioWebSocketasyncdefstartup(uri):asyncwithAioWebSocket(uri)asaws:converse=aws.manipulatormessage=b'AioWebSocket-AsyncWebSocketClient'whileTrue:awaitconverse.send(message)print('{time}-Clientsend:{message}'.format(time=datetime.now().strftime('%Y-%m-%d%H:%M:%S'),message=message))mes=awaitconverse.receive()print('{time}-Clientreceive:{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))exceptKeyboardInterruptasexc:logging.info('Quit.')

運行后的結果輸出為：

2019-03-0715:43:55-Clientsend:b'AioWebSocket-AsyncWebSocketClient'2019-03-0715:43:55-Clientreceive:b'AioWebSocket-AsyncWebSocketClient'2019-03-0715:43:55-Clientsend:b'AioWebSocket-AsyncWebSocketClient'2019-03-0715:43:56-Clientreceive:b'AioWebSocket-AsyncWebSocketClient'2019-03-0715:43:56-Clientsend:b'AioWebSocket-AsyncWebSocketClient'……

send 表示客戶端向服務端發送的消息

recive 表示服務端向客戶端推送的消息

五、編碼獲取數據

回到這一次的爬取需求，目標網站是萊特幣官網：

從剛才的網絡請求記錄中，我們得知目標網站的 WebSocket 地址為：wss://api.bbxapp.vip/v1/ifcontract/realTime,從地址中可以看出目標網站使用的是 wss，也就是 ws 的安全版，它們的關系跟 HTTP/HTTPS 一樣。aiowebsocket 會自動處理并識別 ssl，所以我們并不需要作額外的操作，只需要將目標地址賦值給連接 uri 即可：

importasyncioimportloggingfromdatetimeimportdatetimefromaiowebsocket.conversesimportAioWebSocketasyncdefstartup(uri):asyncwithAioWebSocket(uri)asaws:converse=aws.manipulatorwhileTrue:mes=awaitconverse.receive()print('{time}-Clientreceive:{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))exceptKeyboardInterruptasexc:logging.info('Quit.')

運行代碼后觀察輸出，你會發現什么都沒有發生。既沒有內容輸出，也沒有斷開連接，程序一直在運行，但是什么都沒有：

這是為什么呢？

是對方不接受我方的請求嗎？

還是有什么反爬蟲限制呢？

實際上，剛才的流程圖可以解釋這個問題：

整個流程中有一步是需要客戶端給服務端發送指定的消息，服務端驗證后才會不停推送數據。所以，應該在消息讀取前、握手連接后加上消息發送的代碼：

importasyncioimportloggingfromdatetimeimportdatetimefromaiowebsocket.conversesimportAioWebSocketasyncdefstartup(uri):asyncwithAioWebSocket(uri)asaws:converse=aws.manipulatorwhileTrue:mes=awaitconverse.receive()print('{time}-Clientreceive:{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))exceptKeyboardInterruptasexc:logging.info('Quit.')

保存后運行，就會看到數據源源不斷的推送過來：

到這里，爬蟲就能夠獲取到想要的數據了。

aiowebsocket 做了什么

代碼不長，使用的時候只需要將目標網站 WebSocket 地址填入，然后按照流程發送數據即可，那么 aiowebsocket 在這個過程中做了什么呢？

首先，aiowebsocket 根據 WebSocket 地址，向指定的服務端發送握手請求，并校驗握手結果。

然后，在確認握手成功后，將數據發送給服務端。

整個過程中為了保持連接不斷開，aiowebsocket 會自動與服務端響應 ping pong。

最后，aiowebsocket 讀取服務端推送的消息