查看原文
其他

Python网络爬虫的同步和异步

2018-01-27 我为峰2014 Python爱好者社区

作者:我为峰2014
简书专栏:https://www.jianshu.com/u/c1ab741ef52e


一、同步与异步

#同步编程(同一时间只能做一件事,做完了才能做下一件事情) <-a_url-><-b_url-><-c_url-> #异步编程 (可以近似的理解成同一时间有多个事情在做,但有先后) <-a_url->  <-b_url->    <-c_url->      <-d_url->        <-e_url->          <-f_url->            <-g_url->              <-h_url->                <--i_url-->                  <--j_url-->

模板

import asyncio #函数名:做现在的任务时不等待,能继续做别的任务。 async def donow_meantime_dontwait(url):    response = await requests.get(url) #函数名:快速高效的做任务 async def fast_do_your_thing():    await asyncio.wait([donow_meantime_dontwait(url) for url in urls]) #下面两行都是套路,记住就好 loop = asyncio.get_event_loop() loop.run_until_complete(fast_do_your_thing())


tips:
await表达式中的对象必须是awaitable
requests不支持非阻塞
aiohttp是用于异步请求的库


代码

import asyncio import requests import time import aiohttp urls = ['https://book.douban.com/tag/小说','https://book.douban.com/tag/科幻',        'https://book.douban.com/tag/漫画','https://book.douban.com/tag/奇幻',        'https://book.douban.com/tag/历史','https://book.douban.com/tag/经济学'] async def requests_meantime_dont_wait(url):    print(url)    async with aiohttp.ClientSession() as session:        async with session.get(url) as resp:            print(resp.status)            print("{url} 得到响应".format(url=url)) async def fast_requsts(urls):    start = time.time()    await asyncio.wait([requests_meantime_dont_wait(url) for url in urls])    end = time.time()    print("Complete in {} seconds".format(end - start)) loop = asyncio.get_event_loop() loop.run_until_complete(fast_requsts(urls))


gevent简介

gevent是一个python的并发库,它为各种并发和网络相关的任务提供了整洁的API。

gevent中用到的主要模式是greenlet,它是以C扩展模块形式接入Python的轻量级协程。 greenlet全部运行在主程序操作系统进程的内部,但它们被协作式地调度。

猴子补丁

requests库是阻塞式的,为了将requests同步更改为异步。只有将requests库阻塞式更改为非阻塞,异步操作才能实现。

而gevent库中的猴子补丁(monkey patch),gevent能够修改标准库里面大部分的阻塞式系统调用。这样在不改变原有代码的情况下,将应用的阻塞式方法,变成协程式的(异步)。

代码

from gevent import monkey import gevent import requests import time monkey.patch_all() def req(url):    print(url)    resp = requests.get(url)    print(resp.status_code,url) def synchronous_times(urls):    """同步请求运行时间"""    start = time.time()    for url in urls:        req(url)    end = time.time()    print('同步执行时间 {} s'.format(end-start)) def asynchronous_times(urls):    """异步请求运行时间"""    start = time.time()    gevent.joinall([gevent.spawn(req,url) for url in urls])    end = time.time()    print('异步执行时间 {} s'.format(end - start)) urls = ['https://book.douban.com/tag/小说','https://book.douban.com/tag/科幻',        'https://book.douban.com/tag/漫画','https://book.douban.com/tag/奇幻',        'https://book.douban.com/tag/历史','https://book.douban.com/tag/经济学'] synchronous_times(urls) asynchronous_times(urls)

gevent:异步理论与实战

gevent库中使用的最核心的是Greenlet-一种用C写的轻量级python模块。在任意时间,系统只能允许一个Greenlet处于运行状态

一个greenlet遇到IO操作时,比如访问网络,就自动切换到其他的greenlet,等到IO操作完成,再在适当的时候切换回来继续执行。由于IO操作非常耗时,经常使程序处于等待状态,有了gevent为我们自动切换协程,就保证总有greenlet在运行,而不是等待IO。


串行和异步


高并发的核心是让一个大的任务分成一批子任务,并且子任务会被被系统高效率的调度,实现同步或者异步。在两个子任务之间切换,也就是经常说到的上下文切换。

同步就是让子任务串行,而异步有点影分身之术,但在任意时间点,真身只有一个,子任务并不是真正的并行,而是充分利用了碎片化的时间,让程序不要浪费在等待上。这就是异步,效率杠杆的。

gevent中的上下文切换是通过yield实现。在这个例子中,我们会有两个子任务,互相利用对方等待的时间做自己的事情。这里我们使用gevent.sleep(0)代表程序会在这里停0秒。

import gevent def foo():    print('Running in foo')    gevent.sleep(0)    print('Explicit context switch to foo again') def bar():    print('Explicit context to bar')    gevent.sleep(0)    print('Implicit context switch back to bar') gevent.joinall([    gevent.spawn(foo),    gevent.spawn(bar)    ])

运行的顺序:

Running in foo Explicit context to bar Explicit context switch to foo again Implicit context switch back to bar

同步异步的顺序问题


同步运行就是串行,123456...,但是异步的顺序是随机的任意的(根据子任务消耗的时间而定)


代码

import gevent import random def task(pid):    """    Some non-deterministic task    """    gevent.sleep(random.randint(0,2)*0.001)    print('Task %s done' % pid) #同步(结果更像串行) def synchronous():    for i in range(1,10):        task(i) #异步(结果更像乱步) def asynchronous():    threads = [gevent.spawn(task, i) for i in range(10)]    gevent.joinall(threads) print('Synchronous同步:') synchronous() print('Asynchronous异步:') asynchronous()

输出

Synchronous同步: Task 1 done Task 2 done Task 3 done Task 4 done Task 5 done Task 6 done Task 7 done Task 8 done Task 9 done Asynchronous异步: Task 1 done Task 5 done Task 6 done Task 2 done Task 4 done Task 7 done Task 8 done Task 9 done Task 0 done Task 3 done

同步案例中所有的任务都是按照顺序执行,这导致主程序是阻塞式的(阻塞会暂停主程序的执行)。

gevent.spawn会对传入的任务(子任务集合)进行进行调度,gevent.joinall方法会阻塞当前程序,除非所有的greenlet都执行完毕,程序才会结束。

实战

实现gevent到底怎么用,把异步访问得到的数据提取出来。

在有道词典搜索框输入“hello”按回车。观察数据请求情况 观察有道的url构建。

分析url规律

#url构建只需要传入word即可 url = "http://dict.youdao.com/w/eng/{}/".format(word)

解析网页数据

def fetch_word_info(word):    url = "http://dict.youdao.com/w/eng/{}/".format(word)    resp = requests.get(url,headers=headers)    doc = pq(resp.text)    pros = ''    for pro in doc.items('.baav .pronounce'):        pros+=pro.text()    description = ''    for li in doc.items('#phrsListTab .trans-container ul li'):        description +=li.text()    return {'word':word,'音标':pros,'注释':description}

因为requests库在任何时候只允许有一个访问结束完全结束后,才能进行下一次访问。无法通过正规途径拓展成异步,因此这里使用了monkey补丁

同步代码

import requests from pyquery import PyQuery as pq import gevent import time import gevent.monkey gevent.monkey.patch_all() words = ['good','bad','cool',         'hot','nice','better',         'head','up','down',         'right','left','east'] def synchronous():    start = time.time()    print('同步开始了')    for word in words:        print(fetch_word_info(word))    end = time.time()    print("同步运行时间: %s 秒" % str(end - start)) #执行同步 synchronous()

异步代码

import requests from pyquery import PyQuery as pq import gevent import time import gevent.monkey gevent.monkey.patch_all() words = ['good','bad','cool',         'hot','nice','better',         'head','up','down',         'right','left','east'] def asynchronous():    start = time.time()    print('异步开始了')    events = [gevent.spawn(fetch_word_info,word) for word in words]    wordinfos = gevent.joinall(events)    for wordinfo in wordinfos:        #获取到数据get方法        print(wordinfo.get())    end = time.time()    print("异步运行时间: %s 秒"%str(end-start)) #执行异步 asynchronous()

我们可以对待爬网站实时异步访问,速度会大大提高。我们现在是爬取12个词语的信息,也就是说一瞬间我们对网站访问了12次,这还没啥问题,假如爬10000+个词语,使用gevent的话,那几秒钟之内就给网站一股脑的发请求,说不定网站就把爬虫封了。

解决办法

将列表等分为若干个子列表,分批爬取。举例我们有一个数字列表(0-19),要均匀的等分为4份,也就是子列表有5个数。下面是我在stackoverflow查找到的列表等分方案:

方法1

seqence = list(range(20)) size = 5 #子列表长度 output = [seqence[i:i+size] for i in range(0, len(seqence), size)] print(output)

方法2

chunks = lambda seq, size: [seq[i: i+size] for i in range(0, len(seq), size)] print(chunks(seq, 5))

方法3

def chunks(seq,size):    for i in range(0,len(seq), size):        yield seq[i:i+size] prinT(chunks(seq,5))    for  x  in chunks(req,5):         print(x)

数据量不大的情况下,选哪一种方法都可以。如果特别大,建议使用方法3.


动手实现

import requests from pyquery import PyQuery as pq import gevent import time import gevent.monkey gevent.monkey.patch_all() words = ['good','bad','cool',         'hot','nice','better',         'head','up','down',         'right','left','east'] def fetch_word_info(word):    url = "http://dict.youdao.com/w/eng/{}/".format(word)    resp = requests.get(url,headers=headers)    doc = pq(resp.text)    pros = ''    for pro in doc.items('.baav .pronounce'):        pros+=pro.text()    description = ''    for li in doc.items('#phrsListTab .trans-container ul li'):        description +=li.text()    return {'word':word,'音标':pros,'注释':description} def asynchronous(words):    start = time.time()    print('异步开始了')    chunks = lambda seq, size: [seq[i: i + size] for i in range(0, len(seq), size)]    for subwords in chunks(words,3):        events = [gevent.spawn(fetch_word_info, word) for word in subwords]        wordinfos = gevent.joinall(events)        for wordinfo in wordinfos:            # 获取到数据get方法            print(wordinfo.get())        time.sleep(1)        end = time.time()    print("异步运行时间: %s 秒" % str(end - start)) asynchronous(words)

Python爱好者社区历史文章大合集

Python爱好者社区历史文章列表(每周append更新一次)

福利:文末扫码立刻关注公众号,“Python爱好者社区”,开始学习Python课程:

关注后在公众号内回复“课程”即可获取:

小编的Python入门视频课程!!!

崔老师爬虫实战案例免费学习视频。

丘老师数据科学入门指导免费学习视频。

陈老师数据分析报告制作免费学习视频。

玩转大数据分析!Spark2.X+Python 精华实战课程免费学习视频。

丘老师Python网络爬虫实战免费学习视频。


您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存