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。這相當於多臺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臺遠端主機的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映象開啟的。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，可以選用任意一臺帶有公網IP的主機來配置負載均衡。首先，在這臺主機上裝好Nginx，然後修改Nginx的配置檔案nginx.conf，新增如下內容：
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; } }}複製程式碼這樣我們通過upstream欄位定義了一個名字叫作splash的服務叢集配置。其中least_conn代表最少連結負載均衡，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;}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;}
複製程式碼這樣預設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：
123456upstream 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;}複製程式碼這裡weight引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雜湊負載均衡，配置如下：
1234567upstream 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;}複製程式碼伺服器根據請求客戶端的IP地址進行雜湊計算，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，比如使用者登入後訪問某個頁面的情形。對於Splash來說，不需要應用此設定。
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：
1 | 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欄位中新增auth_basic和auth_basic_user_file欄位，具體配置如下：
1234567891011121314151617http { 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; auth_basic "Restricted"; auth_basic_user_file /etc/nginx/conf.d/.htpasswd; } }}複製程式碼這裡使用的使用者名稱和密碼配置放置在/etc/nginx/conf.d目錄下，我們需要使用htpasswd命令建立。例如，建立一個使用者名稱為admin的檔案，相關命令如下：
1 | htpasswd -c .htpasswd admin |
接下來就會提示我們輸入密碼，輸入兩次之後，就會生成密碼檔案，其內容如下：
1 2 | cat .htpasswd admin:5ZBxQr0rCqwbc |
配置完成後，重啟一下Nginx服務：
1 | sudo nginx -s reload |
這樣訪問認證就成功配置好了。
4. 測試
最後，我們可以用程式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httpbin.org/get測試即可，實現程式碼如下：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 | import requests from urllib.parse import quote import re lua = ''' function main(splash, args) local treat = require("treat") local response = splash:http_get("http://httpbin.org/get") return treat.as_string(response.body) end ''' url = '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字串請自行替換成自己的Nginx伺服器IP。這裡我修改了Hosts，設定了splash為Nginx伺服器IP。
多次執行程式碼之後，可以發現每次請求的IP都會變化，比如第一次的結果：
1 | 41.159.27.223 |
第二次的結果：
1 | 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部落格靜覓： 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
weixin.qq.com/r/5zsjOyvEZ… (二維碼自動識別)