异步爬虫就是解决我们在 爬虫中当爬取大量数据时的时间效率问题
请看下面的代码
# _*_ coding:utf-8 _*_
# coding = utf-8
from gevent import monkey
#下面这串代码是把程序变成一个协作式运行,就是可以帮助程序实现异步爬取数据,
monkey.patch_all() #实现让IO阻塞。
import gevent
import requests
import time
start_time = time.time()
#自己找一些网站,然后把它们封装成一个列表
url_list = [
"https://www.baidu.com/?tn=49055317_1_hao_pg",
"https://mbd.baidu.com/newspage/data/landingsuper",
'https://www.baidu.com/',
'https://www.sina.com.cn/',
'http://www.sohu.com/',
'https://www.qq.com/',
'https://www.163.com/',
'http://www.iqiyi.com/',
'https://www.tmall.com/',
'http://www.ifeng.com/'
]
def reptile_url(url):
re = requests.get(url)
#打印状态码和地址
print(re.status_code, url, time.time()-start_time)
task_list = []
#遍历地址列表
for url in url_list:
#使用gevent.spawn()函数去创建任务
task = gevent.spawn(reptile_url, url)
#添加到一个列表中方便后面进行回收
task_list.append(task)
gevent.joinall(task_list)
end_time = (time.time() - start_time)
print(end_time)
上面的代码还有一个问题, 就是当你爬取的上千上万个网站的时候,你又该怎么办?比如你要爬取1000个网站,然后你分成10个任务,然后这每个任务爬取100个网站,表面上看着是异步爬取的但是每个任务的里的爬取又是同步的勒!所以这个时候你就要用到队列
队列的理解很简单,就是先进先出,就像排队一样的,请看代码
# _*_ coding:utf-8 _*_
# coding = utf-8
from gevent import monkey
from gevent.queue import Queue
monkey.patch_all()
#monkey.patch_all()能把程序变成协作式运行,就是可以帮助程序实现异步。
import gevent
import time
import requests
start_time = time.time()
"""
当爬取的网站特别多的时候,他的内部还是同步的,所以达不到整体的异步,我们可以加一个队列来解决这个问题,
队列就是先进先出,就相当于排队
"""
url_list = ['https://www.baidu.com/',
'https://www.sina.com.cn/',
'http://www.sohu.com/',
'https://www.qq.com/',
'https://www.163.com/',
'http://www.iqiyi.com/',
'https://www.tmall.com/',
'http://www.ifeng.com/'
]
url_queue = Queue()
for url in url_list:
url_queue.put_nowait(url)
def crawler():
#这里判断队列是否为空来当作结束的条件
while not url_queue.empty():
#使用get_nowait()函数可以把队列的网址都取出来
url = url_queue.get_nowait()
re = requests.get(url)
print(url, url_queue.qsize(), re.status_code)
tasks_list = []
for i in range(4):
#相当于创建了3个爬虫
task = gevent.spawn(crawler)
tasks_list.append(task)
gevent.joinall(tasks_list)
end_time = time.time()
print(end_time - start_time)
因为爬取的网站并不多,所以这里看到的时间差都是差不多的。
部分代码来源开课吧