websocket 爬虫

前言

有些网站为了追求数据的实时更新，很多时候会采用 websocket 的方式，例如股票交易数据、数据货币交易数据等。关于websocket的机制，网上不乏相关资料。但关于websocket的爬虫文章，还是比较少的。所以特地写此文章做个分享，希望对他人有所帮助。

正文

1、 首先要意识到，websocket和普通的HTTP请求有些不同。websocket的方式：用户浏览器（客户端）和对方网站（服务端）首先进行握手，握手成功即建立连接，可以理解为两者建立了私有通道。websocket是全双工的，客户端可以给服务端发消息，服务端也可以给客户端发消息。一般对交易网站来说，客户端在建立连接后会发送几个消息给服务端，告诉服务端要订阅哪些数据。之后服务端会不断地将新数据推送过来。在服务端推送数据的中途可能会给客户端发一个ping请求，客户端要给它返回pong消息，以检测连接是否正常（心跳检测）（有些网站会由客户端发ping）。
所以websocket爬虫的步骤：建立连接 -> 发送消息订阅数据 -> 不断接收数据 -> 定时回应心跳检测。

2.、对于python2.7的爬虫，有websocket模块可用，安装方式：pip install websocket-client。

3、 举个例子，选了一个国内可访问的比特币交易平台：www.bitforex.com 。

# encoding=utf-8

import websocket


if __name__ == '__main__':
    ws = websocket.create_connection('wss://ws.bitforex.com/mkapi/coinGroup1/ws', timeout=10)
    ws.send('[{"type": "subHq", "event": "trade", "param": {"businessType": "coin-usdt-btc", "dType": 0, "size": 100}}]')   # 订阅交易数据
    for i in range(5):
        content = ws.recv()
        print content
    ws.close()

4、有些网站传过来的不是字符串，而是二进制数据。例如[火币](https://www.huobi.com/btc_usdt/exchange/)、[okcoin](https://www.okcoin.com/market#product=btc_usd)等。  年少无知的我，竟然用struct、binascii等模块去转string，然而都失败了。网上各种搜索也无果。 后来用浏览器调试，定位到js代码里解析的地方。看了一下js代码，觉得应该是将二进制数据先转数字，对这组数字做了一些解密，然后将解密后的数组转字符，即是最后的明文字符串。准备用python重写，或者将js代码块抠出来用nodejs跑，发现难度有点大。 惆怅之际偶然发现，这websocket传过来的数据，其实只是压缩过后的二进制数据，坑爹呢这是！劳资忙活大半天，差点将用来解压缩的js代码重写了！也是够蠢，果然道行不够。 放代码，

# encoding=utf-8

import zlib
import websocket


def crawl_huobi_demo():
    """ 抓取火币的数据 """
    url = 'wss://www.huobi.pro/-/s/pro/ws'
    ws = websocket.create_connection(url, timeout=10)
    ws.send('{"sub":"market.btcusdt.trade.detail"}')

    for i in range(5):
        content_compress = ws.recv()
        content = zlib.decompress(content_compress, 16+zlib.MAX_WBITS)
        print content

    ws.close()


def crawl_okcoin_demo():
    """ 抓取okcoin的数据 """
    url = 'wss://real.okcoin.com:10440/websocket'
    ws = websocket.create_connection(url, timeout=10)
    ws.send("""{event:'addChannel',parameters:{"base":"btc","binary":"1","product":"spot","quote":"usd","type":"depth"}}""")

    for i in range(5):
        content_compress = ws.recv()
        content = zlib.decompress(content_compress, -zlib.MAX_WBITS)
        print content

    ws.close()


if __name__ == '__main__':
    crawl_huobi_demo()
    crawl_okcoin_demo()

5、”Read timed out”
我们使用ws.recv()拿数据，但是如果服务器长时间没有消息推送过来，这一步便会报timeout错误。一般来说，我们可以忽略这个timeout，没有影响。
以上是服务器消息推送太慢的情况，那如果服务器推送速度非常快呢。ws.recv()每次只能拿一条数据，拿到数据还要做处理，需要一定的时间。如果我正在处理的时候服务端又给我推了一条新消息，我会不会丢失这条新消息呢？经检测，并不会丢，消息会积压，等着你读取。
那，如果服务器消息推送的速度快于ws.recv()读取的速度，积压的数据是不是会越来越多？最后会怎样？实际上，心跳检测就起效了，服务端发了一个ping的消息，如果客户端不及时回应的话，服务端会把这个连接断开，不再推送。

事实上，我们写爬虫的时候就要尽量避免阻塞，接收到数据立马就丢到内存队列，让其他程序去做解析等处理，以保证websocket客户端能顺畅、及时地接收消息。

6、”Handshake status 429 Too Many Requests”
这个异常，是因为连接数太多了。例如bitmex，限制一个IP在一个小时内只能建立20条websocket连接，超过了，就报429。这就有点像403了，同样是对IP做的频率限制，但429的情况，过了这个时间就能恢复正常，而403的惩罚可能限制你几天不能访问，甚至永久禁止你访问。
知道了这个报错的原因，就制定应对对策吧：

1. 既然对IP做的限制，那么最直接粗暴的：加代理。但加代理也是有代价的：出钱；增加延迟；更不稳定；等。特别是像数字货币交易平台，很多都是需要翻墙，那么你就需要用香港或者国外的代理，而且是长效的代理。
2. 一般429针对的是websocket连接次数，那么我们可以尽量减少websocket连接数。假如我们要爬10个币种的数据，我们并不一定要建立10个websocket连接，我们可以将这10个币种数据的订阅请求放在一个通道里，在一个websocket通道里实现10个币的数据抓取。理论上一个网站只需要建立一个websocket连接就行了。（然而有些网站不采用订阅的方式，使用不同的URL，每个websocket只传输一种数据。更有些网站，例如bitmex，一次订阅就当成一次连接）
3. 研究websocket断开的原因，尽量保证websocket连接长久稳定。例如及时响应心跳检测，不然断了又要做一次连接。

结语

今天先写这些，主要分享的是怎么爬websocket数据，怎么处理binary数据，以及一些异常处理。如果你遇到新的问题，或者有其他值得分享的知识点，都欢迎留言。

另外，如果你需要数字货币交易平台（例如币安、火币、okex、poloniex、bitmex、okcoin等）的爬虫或者数据，也可以找我。

题外话，预测者网卖这类数据，卖的也是挺开心的。