更多>>关于我们

西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。我们采用分布式系统架构,日采集网页数千万。我们拥有海量稳定高匿HTTP代理IP地址池,可以有效绕过各种反采集策略。

您只需告诉我们您想抓取的网站是什么,您感兴趣的字段有哪些,你需要的数据是哪种格式,我们将为您做所有的工作,最后把数据(或程序)交付给你。

数据的格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等。

更多>>官方微博

西安鲲之鹏
陕西 西安

加关注

  • 【经验分享】代理服务器出现大量TIME_WAIT怎么破?爬虫客户端用什么库更高效?在本文我们将通过实验给你解答 “与TIME_WAIT相关的一些实验” >>>  http://www.site-digger.com/html/articles/20181109/683.html ​​​​
    发布时间:2018-11-09 16:58:07
  • 【备忘】mitmproxy v0.18.2版本Python script示例  
    归纳了一下公司近期常用的mitmproxy Python script编写示例,通过本示例你将学会在mitmproxy中如何通过外挂Python脚本修改请求和应答数据, >>> http://www.site-digger.com/html/articles/20181109/682.html ​​​​
    发布时间:2018-11-09 16:56:27
  • 【经验分享】自己gcc编译出来的squid可执行程序体积比官方rpm包里的体积大9倍(官方的6MB,自己编译出来的59MB)!使用strip --strip-unneeded file-path 处理之后,体积也变成6MB了!(running strip is a good way to get the size down after you have a binary and the binary is in ELF format. strip just removes debug and unreferenced symbols after the binary has been created.) >>> 参考:http://www.cplusplus.com/forum/unices/123451/
    发布时间:2018-11-07 14:02:55
  • 【干货干货】整整花了2天时间搞的。 iptables DNAT Web流量截取实验 >>> http://www.site-digger.com/html/articles/20181105/681.html ​​​​
    发布时间:2018-11-05 13:09:48
  • 【经验分享-纯干货】SNI导致Python 2.7建立TLS连接出现104错误问题的解决 >>> http://www.site-digger.com/html/articles/20181026/680.html ​​​​
    发布时间:2018-10-26 18:05:14
  • 【经验分享】使用openssl模拟与HTTPS网站的交互 >>> http://www.site-digger.com/html/articles/20181026/679.html ​​​​
    发布时间:2018-10-26 18:01:45
  • 美团外卖北京/上海/广州/杭州/成都五城市商户数据2018年10月份采集更新

    详细字段说明:
    “province” – 省份
    “city” – 城市
    “shop_name” – 店铺名称
    “address” – 店铺地址
    “category” – 大分类
    “third_category” – 小分类
    “phones” – 电话号码
    “score” – 店铺评分
    “min_price” – 起送价
    “month_sales” – 月售
    “shipping_fee” – 配送费
    “per_cost” – 人均消费
    “delivery_time” – 配送时间
    “delivery_tip” – 配送服务信息
    “pic_url” – 店铺图片
    “qualification” – 营业执照
    “shiping_time” – 营业时间
    “lat” – 纬度
    “lng” – 经度
    “comment_num” – 评论数

    >>> http://www.data-shop.net/2018/10/%E7%BE%8E%E5%9B%A2%E5%A4%96%E5%8D%96%E5%8C%97%E4%BA%AC%E4%B8%8A%E6%B5%B7%E5%B9%BF%E5%B7%9E%E6%9D%AD%E5%B7%9E%E6%88%90%E9%83%BD%E4%BA%94%E5%9F%8E%E5%B8%82%E5%95%86%E6%88%B7%E6%95%B0%E6%8D%AE2018/
    发布时间:2018-10-25 17:47:47
  • Selenium+Chrome淘宝正常登录方案演示:
    1. 不做特殊处理情况下,Selenium无法正常登录淘宝,会出验无法完成的验证码;
    2. 经过特殊处理后,成功突破淘宝对Selenium的检测,完美登录成功(连验证码都不会出现)。
    点击链接查看演示视频: >>> http://t.cn/EzdwqSY ​​​​
    发布时间:2018-10-22 16:55:09
  • 【经验分享】如何根据淘宝/天猫的分类ID(categoryId值)获取对应的分类名称?

    (1) 如图1所示,先从商品源码获取"categoryId"参数值,例如1512;
    (2)如图2所示,查表可知对应分类名称为"手机";

    点击这里购买该分类映射表(2018年10月份采集更新):
    http://t.cn/EzwnBs1 ​​​​
    发布时间:2018-10-17 11:46:05
  • FontEditor Online 赞! >>> http://t.cn/RKDTzTV ​​​​
    发布时间:2018-10-11 14:14:20
当前位置: 首页 > 技术文章 >
与TIME_WAIT相关的一些实验
发布时间:2018-11-09 来源:未知 浏览:

在一次Web回话过程中,到底是谁先主动关闭的TCP连接呢?是服务端还是客户端?本次实验将解开谜底。

先插播点小知识:TCP的TIME_WAIT状态,是主动关闭TCP连接一方才会出现的状态(详细介绍可以参加这篇文章https://www.cnblogs.com/sunxucool/p/3449068.html),借助该状态我们就可以判断出是谁先说的Goodbye。

下面我们会分别测试Curl、Python urllib2和Python requests库的情况。

1. Curl连接Apache,谁先关闭连接?

答案是:客户端(curl)。
如下图所示,TIME_WAIT出现在客户端,因此TCP连接是curl主动关闭的。

 

2. Python urllib2连接Apache,谁先关闭连接?

答案是:服务端(Apache)。
测试前状态如下图1所示。

测试后(urllib2连接web之后)状态如图2所示。TIME_WAIT出现在服务端,因此可以断定TCP连接是Apache主动关闭的。

urllib2的行为可以深究一下,为什么服务端(Apache)会主动关闭连接?

先给httplib.py做点手脚,让其能打印出发出的HTTP请求数据,如下图所示。可以看到发出的请求被自动加上了"Connection: close",告知服务端发送请求完毕后关闭连接,因此Web服务端主动关闭请求。

作为对比,可以再看下curl测试时的截图,curl发出的HTTP请求报文并没有"Connection: close"头,因此服务端处理完请求并不会主动关闭连接。

 

3. Python requests连接Apache,谁先关闭连接?

第一种情况,不使用requests的session,答案是:客户端(requests)。
如下图所示,发送请求之后客户端出现了TIME_WAIT。

第二种请求,使用requests的session,这时候客户端和服务端将保持长连接,如果请求一直持续连接将一直保持,不会主动关闭,如下图所示。

需要注意的是,客户端必须一直有持续的请求发出长连接才会被保持,实验中每隔0.5秒请求一次)。如果客户端休息了一段时间,那么服务端就开始尝试关闭连接了。

 

4. 把Apache服务器换成HTTP代理服务器情况如何呢?

把Web服务器(Apache)换成HTTP代理服务器情况也一样,比如:

1. 连续执行9次curl -x test:test@192.168.1.6:8888 http://httpbin.org/ip 之后,本地可以看到9个TIME_WAIT状态的TCP连接。

2. 再比如,我们用urllib2使用代理(test:test@192.168.1.6:8888)访问任意网址多次,代理服务器上就会出现多个状态为TIME_WIAT状态的TCP连接。如下图所示:

3. 如果我们用requests + session模式,通过代理访问任意网址多次,代理服务器上只有一条来自requests客户端的TCP连接。如下图所示。

 

总结:在做爬虫开发的时候尽快使用支持长连接的HTTP客户端,例如request + session。这样即能提高效率(建立TCP连接需要耗费时间),也能减轻客户端和Web服务端(或HTTP代理服务器)的负担。

 

特别说明:该文章为鲲鹏数据原创文章 ,您除了可以发表评论外,还可以转载到别的网站,但是请保留源地址,谢谢!!(尊重他人劳动,我们共同努力)
☹ Disqus被Qiang了,之前的评论内容都没了。如果您有爬虫相关技术方面的问题,欢迎发到我们的问答平台:http://spider.site-digger.com/
QQ在线客服
欢迎咨询,点击这里给我发送消息。
欢迎咨询,点击这里给我发送消息。