用好anyproxy提高公众号文章采集效率

时间:2022-05-15 06:01:56

影响因素主要会有以下几点:

1、网络环境不佳;

2、手机或模拟器中微信客户端崩溃;

3、其它一些网络传输错误;

因为我比较看重采集系统的运行成本,这个成本包括硬件投入,运算力投入和占用的人工精力。所以必须提高运行的稳定性。因此如果采集中断,必然增加人工精力的成本。所以针对这一点我对anyproxy做了一些进阶的改造,并且借助了其它一些工具提高了运行效率。以下就是具体的解决方法:

一、代码升级

1)微信浏览器白屏

解决方法:修改文件requesthandler.js,还是在rule_default.js同级目录下,(mac系统/usr/local/lib/node_modules/anyproxy/lib/;win系统评论区网友cnbattle提供c:\users\administrator\appdata\roaming\npm\node_modules\anyproxy\lib)

在代码中找到proxyreq.on("error",function(e){这个函数,并修改内容

?
1
2
//userres.end();//把这一行注释掉
userres.end('<script>settimeout(function(){window.location.reload();},2000);</script>');//插入这一行

这样当发生错误时,会返回一个刷新当前页面的js;这样程序就能继续下去了

2)替换所有图片,减轻浏览器负担

首先需要制作一张非常小的图片,我做的是1x1像素,png透明图;放到任意文件夹里。然后修改文件rule_default.js的代码:

在文件开头有许多var的位置加入以下代码

?
1
2
var fs = require("fs"),
 img = fs.readfilesync("/library/webserver/documents/space.png");//代码绝对路径替换成自己的

在下面的代码中找到shoulduselocalresponse : function(req,reqbody){函数,在函数内插入代码:

?
1
2
3
4
5
6
if(/mmbiz\.qpic\.cn/i.test(req.url)){
 req.replacelocalfile = true;
 return true;
}else{
 return false;
}

继续在下面的代码中找到deallocalresponse : function(req,reqbody,callback){函数,在函数内插入代码:

?
1
2
3
if(req.replacelocalfile){
 callback(200, {"content-type":"image/png"},img );
}

这三段代码就会将公众号里面的所有图片替换成本地图片,减轻网络传输压力和浏览器占用的内存,有效的提高运行效率;

3)禁止手机或模拟器访问一些无用的和会导致错误的网址

同样在rule_default.js里找到代码replacerequestoption : function(req,option){函数,在函数内部插入代码:

?
1
2
3
4
5
6
var newoption = option;
if(/google|btrace/i.test(newoption.headers.host)){//这里面的正则可以替换成自己不希望访问的网址特征字符串,这里面的btrace是一个腾讯视频的域名,经过实践发现特别容易导致浏览器崩溃,所以加在里面了,继续添加可以使用|分割。
 newoption.hostname = "127.0.0.1";//这个ip也可以替换成其他的
 newoption.port  = "80";
}
return newoption;

这个修改之前的文章也提到过了,在这里重新再详细介绍一下。他的用途很多,不同的手机和模拟器都有可能访问一些无用的地址导致设备变慢,通过这个代码就可以阻止访问。

二、使用pm2管理anyproxy进程

pm2 是一个带有负载均衡功能的node应用的进程管理器.

当你要把你的独立代码利用全部的服务器上的所有cpu,并保证进程永远都活着,0秒的重载, pm2是完美的。它非常适合iaas结构,但不要把它用于paas方案(随后将开发paas的解决方案).

主要特性:

内建负载均衡(使用node cluster 集群模块)

后台运行

0秒停机重载,我理解大概意思是维护升级的时候不需要停机.

具有ubuntu和centos 的启动脚本

停止不稳定的进程(避免无限循环)

控制台检测

提供 http api

远程控制和实时的接口api ( nodejs 模块,允许和pm2进程管理器交互 )

测试过nodejs v0.11 v0.10 v0.8版本,兼容coffeescript,基于linux 和macos.

首先安装pm2

?
1
sudo npm install -g pm2

在pm2环境下运行anyproxy

?
1
sudo pm2 start anyproxy -x -- -i

现在anyproxy就在pm2的环境中运行了

用好anyproxy提高公众号文章采集效率

之后还有几个pm2的命令可以帮助管理和监控anyproxy

?
1
2
3
4
5
6
7
8
9
10
//查看运行日志
sudo pm2 logs anyproxy [--lines 10]
//关闭anyproxy
sudo pm2 delete anyproxy
//重启anyproxy
sudo pm2 restart anyproxy
//监控内存占用
sudo pm2 monit
//监控运行状态
sudo pm2 list

特别提示:pm2运行后,终端窗口是可以关闭的。

使用pm2管理anyproxy进程,最重要的目的是:anyproxy因为错误而退出程序之后,pm2可以另anyproxy自动重启。

三、取消sudo密码,并使pm2开机自启

以下内容是在mac环境下的方法,windows也应该有类似的方法,如果了解的网友可以私信发给我。

1)首先取消sudo的密码

运行命令:

?
1
sudo visudo

找到代码:

?
1
%admin   all = (all) all

修改为:

?
1
%admin   all = (all) nopasswd: all

这样sudo的密码就取消掉了,然后就可以将pm2加入到开机自启动中了

2)设置开机自启

在终端中输入命令:

?
1
2
3
cd
touch autoexec.sh
vim autoexec.sh

然后进入编辑模式,按键盘字母i开始编辑,粘贴代码:

?
1
2
3
#!/bin/sh
sudo pm2 start anyproxy -x -- -i
sudo pm2 monit

编辑完之后,按esc,再键入命令wq保存退出编辑模式。

再执行命令:

?
1
chmod 755 autoexec.sh

这样一个可执行文件就建立好了

然后打开mac系统的“系统偏好设置”,找到“用户与群组”,在左侧选择当前用户,右侧选择登录项;然后点击+号,找到当前用户的根目录(可以按shift+command+h快捷键),选择autoexec.sh文件,添加到登录项中,就可以开机自启动了。

用好anyproxy提高公众号文章采集效率

经过以上的几项设置之后,anyproxy系统就会比原来更加稳定,其实主要原因是模拟器或手机的不稳定导致的anyproxy发生的错误。经过实际测试,anyproxy目前可以长时间运行不崩溃。而微信客户端还是在运行大约6个小时之后崩溃,以2秒翻一页的速度,采集总数大约1万个页面。如果不采集阅读量,就可以是1万个公众号的历史消息页。

微信客户端的崩溃现象是退出微信浏览器,停留在查看公众号资料页面。所以如果希望再进一步提高自动化,也可以使用触动精灵之作自动化脚本,定时推出微信浏览器,再点击历史消息页。这样应该就可以实现长时间自动化采集了。

原文链接:https://zhuanlan.zhihu.com/p/24650656