Python网络爬虫权威指南 mobi_聊一聊Python 异步网络爬虫

所谓异步是相对于同步(Synchronous)的概念来说的，之所以容易造成混乱，是因为刚开始接触这两个概念时容易把同步看做是同时，而同时不是意味着并行(Parallel)吗？然而实际上同步或者异步是针对于时间轴的概念，同步意味着顺序、统一的时间轴，而异步则意味着乱序、效率优先的时间轴。比如在爬虫运行时，先抓取 A 页面，然后从中提取下一层页面 B 的链接，此时的爬虫程序的运行只能是同步的，B 页面只能等到 A 页面处理完成之后才能抓取；然而对于独立的两个页面 A1 和 A2，在处理 A1 网络请求的时间里，与其让 CPU 空闲而 A2 等在后面，不如先处理 A2，等到谁先完成网络请求谁就先来进行处理，这样可以更加充分地利用 CPU，但是 A1 和 A2 的执行顺序则是不确定的，也就是异步的。

很显然，在某些情况下采用异步编程可以提高程序运行效率，减少不必要的等待时间，而之所以能够做到这一点，是因为计算机的 CPU 与其它设备是独立运作的，同时 CPU 的运行效率远高于其他设备的读写(I/O)效率。为了利用异步编程的优势，人们想出了很多方法来重新安排、调度(Schedule)程序的运行顺序，从而最大化 CPU 的使用率，其中包括进程、线程、协程等(具体可参考《Python 中的进程、线程、协程、同步、异步、回调》)。在 Python 3.5 以前通过 @types.coroutine 作为修饰器的方式将一个生成器(Generator)转化为一个协程，而在 Python 3.5 中则通过关键词 async/await 来定义一个协程，同时也将 asyncio 纳入为标准库，用于实现基于协程的异步编程。

要使用 asyncio 需要理解下面几个概念：

• Event loop
• Coroutine
• Future & Task

Event loop

了解 JavaScript 或 Node.js 肯定对事件循环不陌生，我们可以把它看作是一种循环式(loop)的调度机制，它可以安排需要 CPU 执行的操作优先执行，而会被 I/O 阻塞的行为则进入等待队列：

asyncio 自带了事件循环：

import asyncioloop = anscio.get_event_loop()# loop.run_until_complete(coro())loop.close()复制代码

当然你也可以选择其它的实现形式，例如 Sanic 框架采用的 uvloop，用起来也非常简单( 至于性能上是否更优我没有验证过，但至少在 Jupyter Notebook 上 uvloop 用起来更方便)：

import asyncioimport uvlooploop = uvloop.new_event_loop()asyncio.set_event_loop(loop)复制代码

Coroutine

Python 3.5 以后推荐使用 async/await 关键词来定义协程，它具有如下特性：

• 通过 await 将可能阻塞的行为挂起，直到有结果之后继续执行，Event loop 也是据此来对多个协程的执行进行调度的；
• 协程并不像一般的函数一样，通过 coro() 进行调用并不会执行它，而只有将它放入 Event loop 进行调度才能执行。

一个简单的例子：

import uvloopimport asyncioloop = uvloop.new_event_loop()asyncio.set_event_loop(loop)async def compute(a, b): print("Computing {} + {}...".format(a, b)) await asyncio.sleep(a+b) return a + btasks = []for i, j in zip(range(3), range(3)): print(i, j) tasks.append(compute(i, j))loop.run_until_complete(asyncio.gather(*tasks))loop.close()### OUTPUT"""0 01 12 2Computing 0 + 0...Computing 1 + 1...Computing 2 + 2...CPU times: user 1.05 ms, sys: 1.21 ms, total: 2.26 msWall time: 4 s"""复制代码

由于我们没办法知道协程将在什么时候调用及返回，asyncio 中提供了 Future 这一对象来追踪它的执行结果。

Future & Task

Future 相当于 JavaScript 中的 Promise，用于保存未来可能返回的结果。而 Task 则是 Future 的子类，与 Future 不同的是它包含了一个将要执行的协程( 从而组成一个需要被调度的任务)。还以上面的程序为例，如果想要知道计算结果，可以通过 asyncio.ensure_future() 方法将协程包裹成 Task，最后再来读取结果：

import uvloopimport asyncioloop = uvloop.new_event_loop()asyncio.set_event_loop(loop)async def compute(a, b): print("Computing {} + {}...".format(a, b)) await asyncio.sleep(a+b) return a + btasks = []for i, j in zip(range(3), range(3)): print(i, j) tasks.append(asyncio.ensure_future(compute(i, j)))loop.run_until_complete(asyncio.gather(*tasks))for t in tasks: print(t.result())loop.close()### OUTPUT"""0 01 12 2Computing 0 + 0...Computing 1 + 1...Computing 2 + 2...024CPU times: user 1.62 ms, sys: 1.86 ms, total: 3.49 msWall time: 4.01 s"""复制代码

异步网络请求

Python 处理网络请求最好用的库就是 requests(应该没有之一)，但由于它的请求过程是同步阻塞的，因此只好选用 aiohttp。为了对比同步与异步情况下的差异，先伪造一个假的异步处理服务器：

from sanic import Sanicfrom sanic.response import textimport asyncioapp = Sanic(__name__)@app.route("/")@app.route("/")async def index(req, word=""): t = len(word) / 10 await asyncio.sleep(t) return text("It costs {}s to process `{}`!".format(t, word))app.run()复制代码

服务器处理耗时与请求参数(word)长度成正比，采用同步请求方式，运行结果如下：

import requests as reqURL = "http://127.0.0.1:8000/{}"words = ["Hello