使用线程池的异步爬虫
对比一下同步爬取和异步爬取的时间, 使用time.sleep()模拟请求访问的延迟.
1.同步请求
from time import sleep import time from multiprocessing.dummy import Pool def request(url): print('正在请求：',url) sleep(2) print('下载成功:',url) start = time.time() urls = ['www.baidu.com','www.sogou.com','www.goubanjia.com'] for url in urls: request(url) print(time.time()-start)
2.使用线程池
from time import sleep import time from multiprocessing.dummy import Pool def request(url): print('正在请求：',url) sleep(2) print('下载成功:',url) start = time.time() urls = ['www.baidu.com','www.sogou.com','www.goubanjia.com'] pool = Pool(3) pool.map(request,urls) print(time.time()-start)
- 示例: 使用线程池爬取梨视频中的视频数据
- 社会分类下的前5个视频
from multiprocessing.dummy import Pool import requests from lxml import etree import re import random url = 'https://www.pearvideo.com/category_1' headers = { "User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36' } response = requests.get(url=url,headers=headers).text tree = etree.HTML(response) li_list = tree.xpath('//*[@id="listvideoListUl"]/li') video_list = [] for li in li_list: video = li.xpath('./div/a/@href')[0] detail_url = 'https://www.pearvideo.com/' + video detail_page_text = requests.get(url=detail_url,headers=headers).text ret = re.findall(',srcUrl="(.*?)",',detail_page_text,re.S)[0] print(ret) video_list.append(ret) def get_video_data(url): return requests.get(url=url,headers=headers).content def save_video(data): name = str(random.randint(0,9999)) + '.mp4' with open(name,'wb') as f: f.write(data) print(name,"下载成功") # 四个视频的二进制数据组成的列表 all_video_data_list = pool.map(get_video_data,video_list) pool = Pool(4) pool.map(save_video,all_video_data_list)
协程基础
异步的效率比较高,而线程的开销比进程的小,协程的开销又比线程的小,所以在爬虫时,推荐采用单线程+异步协程的方式,可以提高很大的效率
- event_loop：事件循环，相当于一个无限循环，我们可以把一些特殊函数注册（放置）到这个事件循环上，当满足某些条件的时候，函数就会被循环执行。程序是按照设定的顺序从头执行到尾，运行的次数也是完全按照设定。当在编写异步程序时，必然其中有部分程序的运行耗时是比较久的，需要先让出当前程序的控制权，让其在背后运行，让另一部分的程序先运行起来。当背后运行的程序完成后，也需要及时通知主程序已经完成任务可以进行下一步操作，但这个过程所需的时间是不确定的，需要主程序不断的监听状态，一旦收到了任务完成的消息，就开始进行下一步。loop就是这个持续不断的监视器。
- coroutine：中文翻译叫协程，在 Python 中常指代为协程对象类型，我们可以将协程对象注册到事件循环中，它会被事件循环调用。我们可以使用 async 关键字来定义一个方法，这个方法在调用时不会立即被执行，而是返回一个协程对象。
- task：任务，它是对协程对象的进一步封装，包含了任务的各个状态。
- future：代表将来执行或还没有执行的任务，实际上和 task 没有本质区别。
另外我们还需要了解 async/await 关键字，它是从 Python 3.6 才出现的，专门用于定义协程。其中，async 定义一个协程，await 用来挂起阻塞方法的执行。官方文档
为了测试以下两部分代码,我们可以自己搭建一个服务器用来保证阻塞时间,使用 flask简易搭建
from flask import Flask import time app = Flask(__name__) @app.route('/test1') def index_bobo(): time.sleep(2) return 'Hello bobo' @app.route('/test2') def index_jay(): time.sleep(2) return 'Hello jay' @app.route('/test3') def index_tom(): time.sleep(2) return 'Hello tom' if __name__ == '__main__': app.run(threaded=True)
1.协程的基本使用,asynico模块
import asyncio async def request(url): print('正在请求：',url) print('下载成功:',url) c = request('www.baidu.com') #实例化一个事件循环对象 loop = asyncio.get_event_loop() #创建一个任务对象,将协程对象封装到了该对象中 # task = loop.create_task(c) #另一种形式实例化任务对象的方法 task = asyncio.ensure_future(c) print(task) #将协程对象注册到事件循环对象中，并且我们需要启动事件循环对象 loop.run_until_complete(task) print(task)
2.给任务对象绑定回调函数
import asyncio async def request(url): print('正在请求：',url) print('下载成功:',url) return url #回调函数必须有一个参数：task #task.result():任务对象中封装的协程对象对应的特殊函数内部的返回值 def callbak(task): print('this is callback!') print(task.result()) c = request('www.baidu.com') #给任务对象绑定一个回调函数 task = asyncio.ensure_future(c) task.add_done_callback(callbak) loop = asyncio.get_event_loop() loop.run_until_complete(task)
3.多任务异步协程
这里注意,当使用time.sleep()模拟阻塞时,会报错,原因是异步协程中,不可以出现不支持异步的相关代码,而且协程的函数前要加关键字await,否则会报错
from time import sleep import asyncio import time urls = ['www.baidu.com','www.sogou.com','www.goubanjia.com'] start = time.time() async def request(url): print('正在请求：',url) #在多任务异步协程实现中，不可以出现不支持异步的相关代码。 # sleep(2) await asyncio.sleep(2) print('下载成功:',url) loop = asyncio.get_event_loop() #任务列表：放置多个任务对象 tasks = [] for url in urls: c = request(url) task = asyncio.ensure_future(c) tasks.append(task) loop.run_until_complete(asyncio.wait(tasks)) print(time.time()-start)
4.多任务异步协程应用在爬虫当中
当我们简单应用到使用requests的模块爬虫程序中时,发现并没有提高效果,是因为requests模块不支持异步操作,所以我们使用aiohttp进行请求
requests模块不支持异步
所以应该使用aiohttp进行请求访问
import requests import asyncio import time import aiohttp #单线程+多任务异步协程 urls = [ 'http://127.0.0.1:5000/jay', 'http://127.0.0.1:5000/bobo', 'http://127.0.0.1:5000/tom' ] #代理操作： #async with await s.get(url,proxy="http://ip:port") as response: async def get_pageText(url): async with aiohttp.ClientSession() as s: async with await s.get(url) as response: page_text = await response.text() # 借助于回调函数进行响应数据的解析操作 return page_text #封装回调函数用于数据解析 def parse(task): #1.获取响应数据 page_text = task.result() print(page_text+',即将进行数据解析！！！') #解析操作写在该位置 start = time.time() tasks = [] for url in urls: c = get_pageText(url) task = asyncio.ensure_future(c) #给任务对象绑定回调函数用于数据解析 task.add_done_callback(parse) tasks.append(task) loop = asyncio.get_event_loop() loop.run_until_complete(asyncio.wait(tasks)) print(time.time()-start)