Python异步爬虫实例代码分析

这篇文章主要介绍"Python异步爬虫实例代码分析"的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇"Python异步爬虫实例代码分析"文章能帮助大家解决问题。

一、背景

默认情况下，用get请求时，会出现阻塞，需要很多时间来等待，对于有很多请求url时，速度就很慢。因为需要一个url请求的完成，才能让下一个url继续访问。一种很自然的想法就是用异步机制来提高爬虫速度。通过构建线程池或者进程池完成异步爬虫，即使用多线程或者多进程来处理多个请求（在别的进程或者线程阻塞时）。

import time #串形 def getPage(url):    print("开始爬取网站",url)    time.sleep(2)#阻塞    print("爬取完成！！！",url)  urls = ['url1','url2','url3','url4','url5'] beginTime = time.time()#开始计时 for url in urls:    getPage(url) endTime= time.time()#结束计时print("完成时间%d"%(endTime - beginTime))

下面通过模拟爬取网站来完成对多线程，多进程，协程的理解。

二、多线程实现

import time #使用线程池对象from multiprocessing.dummy import Pool def getPage(url):    print("开始爬取网站",url)    time.sleep(2)#阻塞    print("爬取完成！！！",url)  urls = ['url1','url2','url3','url4','url5'] beginTime = time.time()#开始计时 #准备开启5个线程,并示例化对象pool = Pool(5)pool.map(getPage, urls)#urls是可迭代对象，里面每个参数都会给getPage方法处理 endTime= time.time()#结束计时print("完成时间%d"%(endTime - beginTime))

完成时间只需要2s!!!!!!!!

线程池使用原则：适合处理耗时并且阻塞的操作

三、协程实现

#%%import time #使用协程import asyncio  async def getPage(url):  #定义了一个协程对象，python中函数也是对象    print("开始爬取网站",url)    time.sleep(2)#阻塞    print("爬取完成！！！",url)    #async修饰的函数返回的对象    c = getPage(11) #创建事件对象loop_event = asyncio.get_event_loop()#注册并启动looPloop_event.run_until_complete(c) #task对象使用，封装协程对象c'''loop_event = asyncio.get_event_loop()task = loop_event.create_task(c)loop_event.run_until_complete(task)''' #Future对象使用，封装协程对象c            用法和task差不多'''loop_event = asyncio.get_event_loop()task       = asyncio.ensure_future(c)loop_event.run_until_complete(task)''' #绑定回调使用 async def getPage2(url):  #定义了一个协程对象，python中函数也是对象    print("开始爬取网站",url)    time.sleep(2)#阻塞    print("爬取完成！！！",url)    return url    #async修饰的函数返回的对象    c2 = getPage2(2) def callback_func(task):    print(task.result()) #task.result()返回任务对象中封装的协程对象对应函数的返回值  #绑定回调loop_event = asyncio.get_event_loop()task       = asyncio.ensure_future(c2) task.add_done_callback(callback_func)  #真正绑定，loop_event.run_until_complete(task)

四、多任务协程实现

import time #使用多任务协程import asyncio    urls = ['url1','url2','url3','url4','url5']   async def getPage(url):  #定义了一个协程对象，python中函数也是对象    print("开始爬取网站",url)    #在异步协程中如果出现同步模块相关的代码，那么无法实现异步    #time.sleep(2)#阻塞    await asyncio.sleep(2)#遇到阻塞操作必须手动挂起    print("爬取完成！！！",url)    return url     beginTime = time.time()    #任务列表，有多个任务tasks = [] for url in urls:    c = getPage(url)    task = asyncio.ensure_future(c)#创建任务对象    tasks.append(task)loop = asyncio.get_event_loop()loop.run_until_complete(asyncio.wait(tasks))#不能直接放task，需要封装进入asyncio,wait()方法中 endTime = time.time()   print("完成时间%d"%(endTime - beginTime))

此时不能用time.sleep(2)，用了还是10秒

对于真正爬取过程中，如在getPage()方法中真正爬取数据时，即requests.get(url) ,它是基于同步方式实现。应该使用异步网络请求模块aiohttp

参考下面代码：

async def getPage(url):  #定义了一个协程对象，python中函数也是对象    print("开始爬取网站",url)    #在异步协程中如果出现同步模块相关的代码，那么无法实现异步    #requests.get(url)#阻塞    async with aiohttp.ClintSession() as session:                      async with await  session.get(url) as response: #手动挂起                                        page_text =  await response.text() #.text()返回字符串，read()返回二进制数据，注意不是content    print("爬取完成！！！",url)    return page_text

关于"Python异步爬虫实例代码分析"的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注行业资讯频道，小编每天都会为大家更新不同的知识点。