python异步爬虫实现与总结

一 背景

默认情况下，用get请求时，会出现阻塞，需要很多时间来等待，对于有很多请求url时，速度就很慢。因为需要一个url请求的完成，才能让下一个url继续访问。一种很自然的想法就是用异步机制来提高爬虫速度。通过构建线程池或者进程池完成异步爬虫，即使用多线程或者多进程来处理多个请求（在别的进程或者线程阻塞时）。

import time 
#串形

def getPage(url):
    print("开始爬取网站",url)
    time.sleep(2)#阻塞
    print("爬取完成！！！",url)


urls = ['url1','url2','url3','url4','url5']

beginTime = time.time()#开始计时

for url in urls:
    getPage(url)

endTime= time.time()#结束计时
print("完成时间%d"%(endTime - beginTime))

下面通过模拟爬取网站来完成对多线程，多进程，协程的理解。

二 多线程实现

import time 
#使用线程池对象
from multiprocessing.dummy import Pool

def getPage(url):
    print("开始爬取网站",url)
    time.sleep(2)#阻塞
    print("爬取完成！！！",url)


urls = ['url1','url2','url3','url4','url5']

beginTime = time.time()#开始计时

#准备开启5个线程,并示例化对象
pool = Pool(5)
pool.map(getPage, urls)#urls是可迭代对象，里面每个参数都会给getPage方法处理

endTime= time.time()#结束计时
print("完成时间%d"%(endTime - beginTime))

完成时间只需要2s!!!!!!!!

线程池使用原则：适合处理耗时并且阻塞的操作

三 多进程实现

 

四 协程实现

单线程+异步协程！！！！！！！！！！强烈推荐，目前流行的方式。

相关概念：

 

#%%
import time 
#使用协程
import asyncio


async def getPage(url):  #定义了一个协程对象，python中函数也是对象
    print("开始爬取网站",url)
    time.sleep(2)#阻塞
    print("爬取完成！！！",url)
    
#async修饰的函数返回的对象    
c = getPage(11)

#创建事件对象
loop_event = asyncio.get_event_loop()
#注册并启动looP
loop_event.run_until_complete(c)

#task对象使用，封装协程对象c
'''
loop_event = asyncio.get_event_loop()
task = loop_event.create_task(c)
loop_event.run_until_complete(task)
'''

#Future对象使用，封装协程对象c            用法和task差不多
'''
loop_event = asyncio.get_event_loop()
task       = asyncio.ensure_future(c)
loop_event.run_until_complete(task)
'''

#绑定回调使用

async def getPage2(url):  #定义了一个协程对象，python中函数也是对象
    print("开始爬取网站",url)
    time.sleep(2)#阻塞
    print("爬取完成！！！",url)
    return url
    
#async修饰的函数返回的对象    
c2 = getPage2(2)

def callback_func(task):
    print(task.result()) #task.result()返回任务对象中封装的协程对象对应函数的返回值


#绑定回调
loop_event = asyncio.get_event_loop()
task       = asyncio.ensure_future(c2)

task.add_done_callback(callback_func)  #真正绑定，
loop_event.run_until_complete(task)

输出：

多任务协程实现：

 

import time 
#使用多任务协程
import asyncio




urls = ['url1','url2','url3','url4','url5']



async def getPage(url):  #定义了一个协程对象，python中函数也是对象
    print("开始爬取网站",url)
    #在异步协程中如果出现同步模块相关的代码，那么无法实现异步
    #time.sleep(2)#阻塞
    await asyncio.sleep(2)#遇到阻塞操作必须手动挂起
    print("爬取完成！！！",url)
    return url
    

beginTime = time.time()  


#任务列表，有多个任务
tasks = []

for url in urls:
    c = getPage(url)
    task = asyncio.ensure_future(c)#创建任务对象
    tasks.append(task)
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))#不能直接放task，需要封装进入asyncio,wait()方法中

endTime = time.time()   
print("完成时间%d"%(endTime - beginTime)) 

此时不能用time.sleep(2)，用了还是10秒

对于真正爬取过程中，如在getPage()方法中真正爬取数据时，即requests.get(url) ,它是基于同步方式实现。应该使用异步网络请求模块aiohttp

参考下面代码：

async def getPage(url):  #定义了一个协程对象，python中函数也是对象
    print("开始爬取网站",url)
    #在异步协程中如果出现同步模块相关的代码，那么无法实现异步
    #requests.get(url)#阻塞
    async with aiohttp.ClintSession() as session:

                     async with await  session.get(url) as response: #手动挂起

                                       page_text =  await response.text() #.text()返回字符串，read()返回二进制数据，注意不是content
    print("爬取完成！！！",url)
    return page_text