python异步爬虫_Python实战异步爬虫(协程)+分布式爬虫(多进程)
转自:https://blog.csdn.net/SL_World/article/details/86633611
在讲解之前,我们先来通过一幅图看清多进程和协程的爬虫之间的原理及其区别。(图片来源于网络)
这里,异步爬虫不同于多进程爬虫,它使用单线程(即仅创建一个事件循环,然后把所有任务添加到事件循环中)就能并发处理多任务。在轮询到某个任务后,当遇到耗时操作(如请求URL)时,挂起该任务并进行下一个任务,当之前被挂起的任务更新了状态(如获得了网页响应),则被唤醒,程序继续从上次挂起的地方运行下去。极大的减少了中间不必要的等待时间。
对于协程(Asyncio库)的原理及实现请见:《Python异步IO之协程(详解)》
对于多进程的知识讲解及实现请见:《廖雪峰-Python多进程》
在有了Asyncio异步IO库实现协程后,我们还需要实现异步网页请求。因此,aiohttp库应运而生。
使用aiohttp库实现异步网页请求
在我们写普通的爬虫程序时,经常会用到requests库用以请求网页并获得服务器响应。而在协程中,由于requests库提供的相关方法不是可等待对象(awaitable),使得无法放在await后面,因此无法使用requests库在协程程序中实现请求。在此,官方专门提供了一个aiohttp库,用来实现异步网页请求等功能,简直就是异步版的requests库。
【基础实现】:在官方文档中,推荐使用ClientSession()函数来调用网页请求等相关方法。然后,我们在协程中使用ClientSession()的get()或request()方法来请求网页。(其中async with是异步上下文管理器,其封装了异步实现等功能)
importaiohttp
async with aiohttp.ClientSession() as session:
async with session.get('http://httpbin.org/get') as resp:print(resp.status)print(await resp.text())
ClientSession()除了有请求网页的方法,官方API还提供了其他HTTP常见方法。
session.request(method='GET', url='http://httpbin.org/request')
session.post('http://httpbin.org/post', data=b'data')
session.put('http://httpbin.org/put', data=b'data')
session.delete('http://httpbin.org/delete')
session.head('http://httpbin.org/get')
session.options('http://httpbin.org/get')
session.patch('http://httpbin.org/patch', data=b'data')
【案例】:爬取2018年AAAI顶会中10篇论文的标题。
一、测试普通爬虫程序
importtimefrom lxml importetreeimportrequests
urls=['https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16488','https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16583',#省略后面8个url...
]'''提交请求获取AAAI网页,并解析HTML获取title'''
defget_title(url,cnt):
response= requests.get(url) #提交请求,获取响应内容
html = response.content #获取网页内容(content返回的是bytes型数据,text()获取的是Unicode型数据)
title = etree.HTML(html).xpath('//*[@id="title"]/text()') #由xpath解析HTML
print('第%d个title:%s' % (cnt,''.join(title)))if __name__ == '__main__':
start1=time.time()
i=0for url inurls:
i= i + 1start=time.time()
get_title(url,i)print('第%d个title爬取耗时:%.5f秒' % (i,float(time.time() -start)))print('爬取总耗时:%.5f秒' % float(time.time()-start1))
执行结果如下:
第1个title:Norm Conflict Resolution in Stochastic Domains
第1个title爬取耗时:1.41810秒
第2个title:Algorithms for Trip-Vehicle Assignment in Ride-Sharing
第2个title爬取耗时:1.31734秒
第3个title:Tensorized Projection for High-Dimensional Binary Embedding
第3个title爬取耗时:1.31826秒
第4个title:Synthesis of Programs from Multimodal Datasets
第4个title爬取耗时:1.28625秒
第5个title:Video Summarization via Semantic Attended Networks
第5个title爬取耗时:1.33226秒
第6个title:TIMERS: Error-Bounded SVD Restart on Dynamic Networks
第6个title爬取耗时:1.52718秒
第7个title:Memory Management With Explicit Time in Resource-Bounded Agents
第7个title爬取耗时:1.35522秒
第8个title:Mitigating Overexposure in Viral Marketing
第8个title爬取耗时:1.35722秒
第9个title:Neural Link Prediction over Aligned Networks
第9个title爬取耗时:1.51317秒
第10个title:Dual Deep Neural Networks Cross-Modal Hashing
第10个title爬取耗时:1.30624秒
爬取总耗时:13.73324秒
可见,平均每请求完一个URL并解析该HTML耗时1.4秒左右。本次程序运行总耗时13.7秒。
二、测试基于协程的异步爬虫程序
下面,是使用了协程的异步爬虫程序。etree模块用于解析HTML,aiohttp是一个利用asyncio的库,它的API看起来很像请求的API,可以暂时看成协程版的requests。
importtimefrom lxml importetreeimportaiohttpimportasyncio
urls=['https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16488','https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16583',#省略后面8个url...
]
titles=[]
sem= asyncio.Semaphore(10) #信号量,控制协程数,防止爬的过快
'''提交请求获取AAAI网页,并解析HTML获取title'''asyncdefget_title(url):
with(await sem):#async with是异步上下文管理器
async with aiohttp.ClientSession() as session: #获取session
async with session.request('GET', url) as resp: #提出请求
#html_unicode = await resp.text()
#html = bytes(bytearray(html_unicode, encoding='utf-8'))
html = await resp.read() #可直接获取bytes
title = etree.HTML(html).xpath('//*[@id="title"]/text()')print(''.join(title))'''调用方'''
defmain():
loop= asyncio.get_event_loop() #获取事件循环
tasks = [get_title(url) for url in urls] #把所有任务放到一个列表中
loop.run_until_complete(asyncio.wait(tasks)) #激活协程
loop.close() #关闭事件循环
if __name__ == '__main__':
start=time.time()
main()#调用方
print('总耗时:%.5f秒' % float(time.time()-start))
执行结果如下:
Memory Management With Explicit Time in Resource-Bounded Agents
Norm Conflict Resolution in Stochastic Domains
Video Summarization via Semantic Attended Networks
Tensorized Projection for High-Dimensional Binary Embedding
Algorithms for Trip-Vehicle Assignment in Ride-Sharing
Dual Deep Neural Networks Cross-Modal Hashing
Neural Link Prediction over Aligned Networks
Mitigating Overexposure in Viral Marketing
TIMERS: Error-Bounded SVD Restart on Dynamic Networks
Synthesis of Programs from Multimodal Datasets
总耗时:2.43371秒
可见,本次我们使用协程爬取10个URL只耗费了2.4秒,效率是普通同步程序的8~12倍。
【解释】:
request获取的text()返回的是网页的Unicode型数据,content和read()返回的是bytes型数据。而etree.HTML(html)接收的参数需是bytes类型,所以①可以通过resp.read()直接获取bytes;②若使用text()则需要通过先把Unicode类型数据转换成比特数组对象,再转换成比特对象, 即bytes(bytearray(html_unicode, encoding='utf-8'))。
发起请求除了可以用上述session.request('GET', url)也可以用session.get(url),功能相同。
如果同时做太多的请求,链接有可能会断掉。所以需要使用sem = asyncio.Semaphore(10) ,Semaphore是限制同时工作的协同程序数量的同步工具。
async with是异步上下文管理器,不解的请看Python中的async with用法。
三、测试基于多进程的分布式爬虫程序
下面,我们测试多进程爬虫程序,由于我的电脑CPU是4核,所以这里进程池我就设的4。
importmultiprocessingfrom multiprocessing importPoolimporttimeimportrequestsfrom lxml importetree
urls=['https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16488','https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16583',#省略后面8个url...
]'''提交请求获取AAAI网页,并解析HTML获取title'''
defget_title(url,cnt):
response= requests.get(url) #提交请求
html = response.content #获取网页内容
title = etree.HTML(html).xpath('//*[@id="title"]/text()') #由xpath解析HTML
print('第%d个title:%s' % (cnt,''.join(title)))'''调用方'''
defmain():print('当前环境CPU核数是:%d核' %multiprocessing.cpu_count())
p= Pool(4) #进程池
i =0for url inurls:
i+= 1p.apply_async(get_title, args=(url, i))
p.close()
p.join()#运行完所有子进程才能顺序运行后续程序
if __name__ == '__main__':
start=time.time()
main()#调用方
print('总耗时:%.5f秒' % float(time.time()-start))
执行结果:
当前环境CPU核数是:4核
第2个title:Algorithms for Trip-Vehicle Assignment in Ride-Sharing
第1个title:Norm Conflict Resolution in Stochastic Domains
第4个title:Synthesis of Programs from Multimodal Datasets
第3个title:Tensorized Projection for High-Dimensional Binary Embedding
第5个title:Video Summarization via Semantic Attended Networks
第6个title:TIMERS: Error-Bounded SVD Restart on Dynamic Networks
第7个title:Memory Management With Explicit Time in Resource-Bounded Agents
第8个title:Mitigating Overexposure in Viral Marketing
第9个title:Neural Link Prediction over Aligned Networks
第10个title:Dual Deep Neural Networks Cross-Modal Hashing
总耗时:5.01228秒
可见,多进程分布式爬虫也比普通同步程序要快很多,本次运行时间5秒。但比协程略慢。
【时间对比】:
对于上例中10个URL的爬取时间,下面整理成了表格。
CPU核数\实现方式普通同步爬虫多进程爬虫异步爬虫
4核
13.7秒
5.0秒
2.4秒
其中增加多进程中进程池Pool(n)的n可加速爬虫,下图显示了消耗的时间(单位.秒)和Pool()参数的关系。
如果你以为到这里就结束了,那你就要错过最精彩的东西了:)
四、测试-异步结合多进程-爬虫程序
由于解析HTML也需要消耗一定的时间,而aiohttp和asyncio均未提供相关解析方法。所以可以在请求网页的时使用异步程序,在解析HTML使用多进程,两者配合使用,效率更高哦~!
【请求网页】:使用协程。
【解析HTML】:使用多进程。
from multiprocessing importPoolimporttimefrom lxml importetreeimportaiohttpimportasyncio
urls=['https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16488','https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16583',#省略后面8个url...
]
htmls=[]
titles=[]
sem= asyncio.Semaphore(10) #信号量,控制协程数,防止爬的过快
'''提交请求获取AAAI网页html'''asyncdefget_html(url):
with(await sem):#async with是异步上下文管理器
async with aiohttp.ClientSession() as session: #获取session
async with session.request('GET', url) as resp: #提出请求
html = await resp.read() #直接获取到bytes
htmls.append(html)print('异步获取%s下的html.' %url)'''协程调用方,请求网页'''
defmain_get_html():
loop= asyncio.get_event_loop() #获取事件循环
tasks = [get_html(url) for url in urls] #把所有任务放到一个列表中
loop.run_until_complete(asyncio.wait(tasks)) #激活协程
loop.close() #关闭事件循环
'''使用多进程解析html'''
defmulti_parse_html(html,cnt):
title= etree.HTML(html).xpath('//*[@id="title"]/text()')
titles.append(''.join(title))print('第%d个html完成解析-title:%s' % (cnt,''.join(title)))'''多进程调用总函数,解析html'''
defmain_parse_html():
p= Pool(4)
i=0for html inhtmls:
i+= 1p.apply_async(multi_parse_html,args=(html,i))
p.close()
p.join()if __name__ == '__main__':
start=time.time()
main_get_html()#调用方
main_parse_html() #解析html
print('总耗时:%.5f秒' % float(time.time()-start))
执行结果如下:
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16380下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16674下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16583下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16911下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/17343下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16449下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16488下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16659下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16581下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16112下的html.
第3个html完成解析-title:Algorithms for Trip-Vehicle Assignment in Ride-Sharing
第1个html完成解析-title:Tensorized Projection for High-Dimensional Binary Embedding
第2个html完成解析-title:TIMERS: Error-Bounded SVD Restart on Dynamic Networks
第4个html完成解析-title:Synthesis of Programs from Multimodal Datasets
第6个html完成解析-title:Dual Deep Neural Networks Cross-Modal Hashing
第7个html完成解析-title:Norm Conflict Resolution in Stochastic Domains
第8个html完成解析-title:Neural Link Prediction over Aligned Networks
第5个html完成解析-title:Mitigating Overexposure in Viral Marketing
第9个html完成解析-title:Video Summarization via Semantic Attended Networks
第10个html完成解析-title:Memory Management With Explicit Time in Resource-Bounded Agents
【参考文献】:
[3] python:利用asyncio进行快速抓取
[4] 使用 aiohttp 和 asyncio 进行异步请求
[5] requests的content与text导致lxml的解析问题
python异步爬虫_Python实战异步爬虫(协程)+分布式爬虫(多进程)相关推荐
- python 协程可以嵌套协程吗_Python实战异步爬虫(协程)+分布式爬虫(多进程)
引言:我们在写爬虫时常会遇到这样的问题,当需要爬取多个URL时,写一个普通的基于requests库的爬虫程序爬取时间会很长.因为是顺序请求网页的,而网页请求和获得响应过程比较耗费时间,程序不得不等待获 ...
- python await 超时_python里并发执行协程时部分阻塞超时怎么办
展开全部 碰到这种需求时不要惊慌,可以使62616964757a686964616fe4b893e5b19e31333363393638用wait()里的timeout参数来设置等待时间,也就是从这个 ...
- 异步同步、阻塞非阻塞、异步回调、线程队列和协程
今天学习了异步同步.阻塞非阻塞.异步回调.线程队列和协程 一.异步同步和阻塞非阻塞 线程的三种状态: 1.就绪 2.运行 3.阻塞 阻塞:遇到了IO操作 代码卡住 无法执行下一行 CPU会切换到 ...
- 爬取QQ音乐中一首歌的相关信息及评论(破解反爬虫、多协程队列爬虫)
刚写完这个实验作业,顺便来记录一下一些易错的地方: 目录 一.页面预览 二.其他信息 三.一些小细节 四.源码 项目框图: 一.页面预览 先从歌手页爬取到这首歌的相关信息,包括它歌曲.专辑的url.这 ...
- UNITY所谓的异步加载几乎全部是协程,不是线程;MAP3加载时解压非常慢
UNITY所谓的异步加载几乎全部是协程,不是线程;MAP3加载时解压非常慢 实践证明,以下东西都是协程,并非线程(thread): 1,WWW 2,AssetBundle.LoadFromFileAs ...
- 协程实现爬虫的例子主要优势在于充分利用IO时间去请求其他的url
# 分别使用urlopen和requests两个模块进行演示 # import requests # 需要安装的 # from urllib.request import urlopen # # ur ...
- 怎么更进一步学python_【百尺竿头,更进一步学Python】Python进阶课程——进程,线程和协程的区别...
本文带来各类奇怪的IT百科知识. [百尺竿头,更进一步学Python]Python进阶课程--进程:线程和协程的区别 现在多进程多线程已经是老生常谈了:协程也在最近几年流行起来.今天我们本文主要介绍进 ...
- python模块介绍-gevent介绍:基于协程的网络库
2019独角兽企业重金招聘Python工程师标准>>> python模块介绍-gevent介绍:基于协程的网络库 介绍 gevent是基于协程的Python网络库.特点: 基于lib ...
- C++高性能协程分布式服务框架设计
本项目将从零开始搭建出一个基于协程的异步RPC框架. 学习本项目需要有一定的C++,网络,RPC知识 项目地址:zavier-wong/acid: A high performance fiber R ...
最新文章
- 三维感知,这些干货足够了!(自动驾驶/三维重建/SLAM/点云/标定/深度估计/3D检测)...
- 数据结构:线性数据结构(3)-deques(栈,队列,deques, 列表)
- JavaScript getFullYear() 方法
- [Python]网络爬虫(十):一个爬虫的诞生全过程(以山东大学绩点运算为例)
- 百度地图与谷歌地图 (常识、区别,更倾向于使用百度地图,纠错信息比谷歌多)...
- PyTorch 深度学习:30分钟快速入门
- php 运行thinkphp,thinkPHP cli命令行运行PHP代码
- 在 Mac 上如何放大或缩小?
- LeetCode(8):字符串转整数(atoi)
- 小D课堂 - 新版本微服务springcloud+Docker教程_4-03 高级篇幅之Ribbon负载均衡源码分析实战...
- python的字典合并有相同的_将列表中的重复项合并到python字典中
- Mysql 纵表转换为横表
- 等效焦距和可视角度换算表
- CAD高版本窗体阵列LISP_如何把CAD高版本阵列对话框在低版本调出来?
- 《SolidWorks 2014中文版机械设计从入门到精通》——第 1 章 认识SolidWorks 1.1 SolidWorks概述...
- [转载] 细看名字服务中心
- matlab 区域生长算法生成二值图像边界区域
- 考试酷c语言程序设计的答案大全,FX-TRN-BEG-C 考试酷 V-MECA组合在PLC项目教学中的运用...
- Patchwork++论文阅读——基于3D点云的快速鲁棒地面分割算法
- spring源码故事-面筋哥IoC容器的一天(上)