python爬虫实战之异步爬取数据
前言
python中异步编程的主要三种方法：回调函数、生成器函数、线程大法。
以进程、线程、协程、函数/方法作为执行任务程序的基本单位，结合回调、事件循环、信号量等机制，以提高程序整体执行效率和并发能力的编程方式。
如果在某程序的运行时，能根据已经执行的指令准确判断它接下来要进行哪个具体操作，那它是同步程序，反之则为异步程序。（无序与有序的区别）
同步/异步、阻塞/非阻塞并非水火不容，要看讨论的程序所处的封装级别。例如购物程序在处理多个用户的浏览请求可以是异步的，而更新库存时必须是同步的。
优点：异步操作无须额外的线程开销，并且使用回调的方式进行处理。在设计良好的情况下，处理函数可以不必使用共享变量（即使无法完全不使用共享变量，至少可以减少共享变量的数量），减少了死锁的可能性。
缺点：异步编程复杂度较高，且难以调试。最大的问题在于回调，这增加了软件上的设计难度
一、需求
- 使用 asyncio 和 aiohttp 模块来异步爬取数据
- 控制异步的并发量
- 爬取页面的数据
二、使用步骤
1.思路
- 访问网站分析要爬取的数据
- 通过异步来实现一次访问所有要爬取的页面来获取数据
- 设置一个控制异步一次访问的数据
代码如下（示例）：
2.引入库
代码如下（示例）：
import asyncio
import aiohttp
import json
import time
import requests
import re
from lxml import etree
import datetime
3.代码如下
代码如下（示例）：
import asyncio
import aiohttp
import json
import time
import requests
import re
from lxml import etree
import datetime
CONCURRENCY = 5
headers = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
'Accept-Encoding': 'gzip, deflate, br',
'Accept-Language': 'zh-CN,zh;q=0.9',
'Cache-Control': 'no-cache',
'Connection': 'keep-alive',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36',
}
# URL = 'http://127.0.0.1:30328'
# asyncio 的 Semaphore 来控制并发量
semaphore = asyncio.Semaphore(CONCURRENCY)
url_3011 = 'xxxx'
response_3011 = requests.get(
url='xxxx', headers=headers)
HTML_1 = etree.HTML(response_3011.text)
# 数据列表
json_data_list = []
tasks = []
async def scrape_api(session, URL):
# 控制并发量
async with semaphore:
# print('scraping', URL)
# 请求网站，获取html代码和状态码
async with session.get(URL, headers=headers) as response:
await asyncio.sleep(1)
# 关闭会话
# await session.close()
return await response.text()
async def session_url(url):
# 设置超时
timeout = aiohttp.ClientTimeout(total=7)
# 用 with as 可以自动关闭会话
# 请求库由 requests 改成了 aiohttp，通过 aiohttp 的 ClientSession 类的 get 方法进行请求
async with aiohttp.ClientSession(timeout=timeout) as session:
html = await scrape_api(session, url)
print('scraping', url)
pages_1 = etree.HTML(html)
for b in pages_1.xpath('/html/body/div[2]/div[3]/ul/li'):
game_name = b.xpath('div[2]/div[1]/a/text()')[0]
service = b.xpath('div[3]/text()')[0].strip()
print({
"game": game_name, "server": service,
"mobile": "安卓", "time": timestamp})
json_data_list.append(
{
"game": game_name, "server": service, "mobile": "安卓", "time": timestamp})
def url_list():
for number1, day in enumerate(HTML_1.xpath('/html/body/div[2]/div[2]/div'), 1):
day1 = day.xpath('a/div[1]/text()')[0]
# 转换成时间数组
timeArray = time.strptime(str(datetime.datetime.now().year) + '-' + str(
datetime.datetime.now().month) + '-' + str(day1) + ' ' + '00:00:00', "%Y-%m-%d %H:%M:%S")
# 转换成时间戳
global timestamp
timestamp = int(time.mktime(timeArray))*1000
urls = ('https://www.3011.cn/server/%s/1.html' % (number1))
response_3011_page = requests.get(url=urls, headers=headers)
pattern_page = r'<li>共(\d+)页</li>'
pages = re.findall(pattern_page, response_3011_page.text, re.S)[0]
for a in range(1, int(pages)+1):
# 生成访问链接
urls_1 = ('https://www.3011.cn/server/%s/%s.html' % (number1, a))
yield urls_1
async def main():
scrape_index_tasks = []
for url1 in url_list():
# ensure_future 方法，返回结果也是 task 对象，这样的话我们就可以不借助 loop 来定义
scrape_index_tasks.append(asyncio.ensure_future(session_url(url1)))
# 声明了 10000 个 task，将其传递给 gather 方法运行,已经生成的任务
await asyncio.gather(*scrape_index_tasks)
# scrape_index_tasks = [asyncio.ensure_future(scrape_api()) for _ in range(10000)]
# 声明了 10000 个 task，将其传递给 gather 方法运行
# await asyncio.gather(*scrape_index_tasks)
if __name__ == '__main__':
asyncio.get_event_loop().run_until_complete(main())
总结
以上就是今天要讲的内容，本文仅仅简单介绍了asyncio 和 aiohttp的使用，通过使用这两个模块可以大大提高爬虫的速度。