使用异步请求、统一解析接口、反爬策略和容错机制可高效抓取多网站数据。1. 采用aiohttp+asyncio并发请求，显著提升抓取效率；2. 为各站点编写独立解析函数并注册到统一映射表，实现结构化输出；3. 设置请求头、频率控制、代理IP和重试机制应对反爬；4. 成功数据存入数据库，失败记录日志以便重试，确保程序稳定运行。
抓取多个网站的数据在实际项目中很常见，比如做数据聚合、竞品分析或信息监控。Python爬虫实现多站点抓取并不复杂，关键在于合理设计架构，提升效率并规避反爬机制。
1. 使用异步请求提升抓取效率
同步请求会逐个等待响应，效率低。使用异步框架如 aiohttp + asyncio 可以并发抓取多个站点。
示例代码：import asyncio
import aiohttp
import time
<p>async def fetch_page(session, url):
try:
async with session.get(url, timeout=10) as response:
return await response.text()
except Exception as e:
return f"Error fetching {url}: {e}"</p><p>async def fetch_all_sites(urls):
connector = aiohttp.TCPConnector(limit=20) # 控制并发连接数
timeout = aiohttp.ClientTimeout(total=30)
async with aiohttp.ClientSession(connector=connector, timeout=timeout) as session:
tasks = [fetch_page(session, url) for url in urls]
results = await asyncio.gather(*tasks)
return results</p><h1>使用示例</h1><p>urls = [
"<a href="https://www.php.cn/link/1536687004241eb9faeee0e227b58c60">https://www.php.cn/link/1536687004241eb9faeee0e227b58c60</a>",
"<a href="https://www.php.cn/link/c2148796071914983ed6b6e9dbbff735">https://www.php.cn/link/c2148796071914983ed6b6e9dbbff735</a>",
"<a href="https://www.php.cn/link/b05edd78c294dcf6d960190bf5bde635">https://www.php.cn/link/b05edd78c294dcf6d960190bf5bde635</a>"
]</p><p>start = time.time()
results = asyncio.run(fetch_all_sites(urls))
for i, result in enumerate(results):
print(f"结果 {i+1}: 长度 {len(result) if isinstance(result, str) else '未知'}")
print(f"总耗时: {time.time() - start:.2f} 秒")</p>
这种方式适合大量站点且网络延迟较高的场景，能显著缩短总抓取时间。
2. 设计统一的解析接口适配不同站点
不同网站结构差异大，需为每个站点定制解析逻辑，但可通过统一接口管理。
立即学习“Python免费学习笔记（深入）”；
建议做法：
- 为每个目标站点编写独立的解析函数，返回标准化字段（如标题、正文、发布时间）
- 使用配置文件或类注册机制动态调用对应解析器
- 避免硬编码选择器，便于维护和扩展
def parse_site_a(html):
# 使用 BeautifulSoup 或 lxml 解析
return {"title": "...", "content": "...", "pub_time": "..."}
<p>def parse_site_b(html):
return {"title": "...", "content": "...", "pub_time": "..."}</p><p>PARSERS = {
"site-a.com": parse_site_a,
"site-b.com": parse_site_b
}</p>
抓取后根据域名自动匹配解析函数，结构清晰，易于扩展新站点。
3. 处理反爬与请求调度
多站点抓取容易触发封禁，必须做好基础防护。
常用策略包括：
- 设置合理的请求头（User-Agent、Referer），模拟真实浏览器
- 控制请求频率，可引入随机延迟：
await asyncio.sleep(random.uniform(1, 3)) - 使用代理IP池应对限制严格的站点
- 对失败请求进行重试（最多2-3次）
对于特别复杂的站点（如需要登录、JS渲染），可结合 Selenium 或 Playwright 单独处理，不阻塞主流程。
4. 数据存储与异常处理
抓取过程中可能出现网络错误、解析失败等情况，需做好日志记录和容错。
建议：
- 将成功数据写入数据库（如MySQL、MongoDB）或文件（CSV/JSON）
- 失败链接单独记录，支持后续重试
- 使用 try-except 包裹关键操作，避免单个异常导致整个程序中断
可借助 logging 模块输出详细运行状态，便于排查问题。
基本上就这些。合理利用异步、模块化解析、反爬策略和错误处理，就能稳定高效地抓取多个网站数据。关键是根据目标站点特点灵活调整方案，避免一刀切。
