异步爬虫基础

🕗 发布于 2024-07-26 20:21 爬虫

我们知道爬虫是 IO 密集型任务，例如使用 requests 库来爬取某个站点，当发出一个请求后，程序必须等待网站返回响应，才能接着运行，而在等待过程中，整个爬虫程序是一直在等待的。

协程的基本原理

案例的引入

在介绍案例之前，先看一个网站，地址为：

https://www.httpbin.org/delay/5

访问这个链接，需要先等待 5 秒才能得到结果，这是因为服务器强制等待了 5 秒时间才返回响应

平时我们浏览网站，一般响应速度都是很快的，如果用爬虫，等待的时间也不长，然而像这个网站需要 5 秒以上才能拿到结果，如果我们直接遍历100 次案例网站，会是什么效果

import requests
import logging
import time

logging.basicConfig(level=logging.INFO, format='%(asctiem)s- %(levelname)s: %(message)s')
TOTAL_NUMBER = 100
URL = 'https://httpbin.org/delay/5'

start_time = time.time()
for _ in range(1, TOTAL_NUMBER +1 ):
logging.info('scraping %s', URL)
respons = requests.get(URL)
end_time = tiem.time()
logging.info('total tiem %s seconds', end_time -start_time)

这里我们直接用循环的方式构造了100 个请求，使用的是 requests 单线程，在爬取之前和爬取之后分别记录了时间，最后输出了爬取 100 个页面消耗的总时间

由于每个页面都至少要等待5秒的时间，因此 100 个页面至少要消耗 500 秒时间，加上网站本身的负载问题，总的爬取时间最终为663，大约 11 分钟

这在实际情况中是很常见的，这些网站的本身加载速度就比较慢，稍慢的可能 1-3秒，更慢的说不定 10 秒以上。如果我们用 requests 单线程这么爬取，总耗时会非常的大。此时要是打开多线程或多进程来爬取，其爬取速度会成倍的提升，是否有更好的方法？答案是协程

基础知识

阻塞

阻塞状态是指程序未得到所需计算资源时被挂起的状态。程序在等待某个操作完成期间，自身无法继续干别的事情，则该程序在操作上是阻塞的

常见的阻塞有：网络I/O阻塞，用户输入阻塞等。包括在CPU切换上下文时，所有进程都无法真正干事情，它们也会被阻塞。在多核CPU的情况下，正在执行上下文切换操作的核不可被利用

非阻塞

程序在等待其操作的过程中，自身不被阻塞，可以继续干别的事情，则称该程序在操作上是非阻塞的。

非阻塞并不是在任何程序级别，任何情况都存在的。仅当程序封装的级别可以囊括独立的子程序单元时，程序才可能存在非阻塞状态

非阻塞因阻塞的存在而存在，正因为阻塞导致程序运行的耗时增加与效率低下，我们才要把它变成非阻塞

同步

不同程序单元为了共同完成某个任务，在执行过程中需要靠某中通信方式保持协调一致，此时这些程序单元是同步执行的。

例如在购物系统中更新商品库存时，需要用 “行锁” 作为通信信号，强制让不同的更新请求排队，并按顺序执行，这里的更新库存操作就是同步的

简而言之，同步意味着有序

异步

为了完成某个任务，有时不同程序单元之间无须通信协调也能完成任务，此时不相关的程序单元之间可以时异步的

例如，爬取下载网页。调度程序调用下载程序后，即可调度其他任务，无需与该下载任务保持通信以协调行为。不同网页的下载，保存等操作都是无关的，也无需相互通知协调。这些异步操作完成时刻并不确定

异步意味着无序

多进程

多进程就是利用CPU多核优势，在同一时间并行执行多个任务，可以大大提高执行效率

协程

协程，英文叫作 coroutine，又称微线程，纤程，是一种运行在用户态的轻量级线程

协程拥有自己的寄存器上下文和栈。协程在调度切换时，将寄存器上下文和栈保存到其他地方，等切回来的时候，再恢复先前保存的寄存器上下文和栈。因此，协程能保留上一次调用时的状态，即所有局部状态的一个特定组合，每次过程重入，就相当于进入上一次调用的状态。

协程本质上是单个进程，相对于多进程来说，它没有线程上下文切换的开销，没有原子锁定及同步的开销，编程模型也非常简单

我们可以使用协程来实现异步操作，例如在网络爬虫的场景下，我们发出一个请求之后，需要等待一定时间才能得到响应，但其实在这个等待过程中，程序可以干许多其他事情，等到响应之后再切回来继续处理，这样可以充分利用CPU和其他资源，这就是协程的优势

协程的用法

python 中使用协程最常用的库莫过于 asyncio

首先了解下面几个概念

event_loop: 时间循环，相当与一个无限循环，我们可以把一些函数注册到这个时间上，当满足发生条件的时候，就调用对应的处理方法

coroutine: 中文翻译叫做协程，在 python 中指代协程对象类型，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 关键子定义一个方法，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，这是对协程对象的进一步封装，包含协程对象的各个状态。

future: 代表将来执行或没有执行的任务的结果，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，专门用于定义协程。前者用来定义一个协程，后者用来挂起阻塞方法的执行

定义协程

import asyncio
import nest_asyncio
nest_asyncio.apply()
async def execute(x):
print('Number:',x)
coroutine = execute(1)
print('Coroutien:', coroutine)
print('After calling execure')

loop = asyncio.get_event_loop()
loop.run_until_complete(coroutine)
print('After calling loop')

Coroutien: <coroutine object execute at 0x00000199022ACC70>
After calling execure
Number: 1
After calling loop

首先我们引入了 asyncio 包，这样才可以使用 async 和 await 关键字，然后使用了 async 定义了一个 execute 方法，该方法接受一个数字参数 x ，执行之后会打印这个数字

随后我们直接调用了 execute 方法，然而这个方法并没有执行，而是返回了一个 coroutine 协程对象，之后我们使用了get_event_loop 方法创建了一个事件循环 loop，并调用了 loop 对象的 run_until_complete 方法将协程对象注册到了事件循环中，接着启动，最后我们才看到 execute 方法打印出了接收的数字。

可见， async 定义的方法会变成一个无法直接执行的协程对象，必须将此对象注册到事件循环中才可以执行

import nest_asyncio
nest_asyncio.apply()

这两行代码是因为在执行中会报错

这个报错，并不是一定有，暂时不知道原理

This event loop is already running

而加上去的

前面我们还提到了 task ，它是对协程对象的进一步封装，比协程对象多了运行状态，例如 running, finished等，我们可以利用这些状态获取协程对象的执行情况

在上面的例子中，当我们把协程对象 coroutine 传递给 run_until_complete 方法的时候，实际上它进行了一个操作，就是将 coroutine 封装成 task 对象，对此，我们也可以显示的进行声明

import asyncio

async def execute(x):
print('Number:', x)
return x
coroutine = execute(1)
print('Coroutine:', coroutine)
print('After calling execute')

loop = asyncio.get_event_loop()
task = loop.create_task(coroutine)
print('Task:', task)
loop.run_until_complete(task)
print('Task:', task)
print('After calling loop')

Coroutine: <coroutine object execute at 0x0000019906912190>
After calling execute
Task: <Task pending name='Task-7' coro=<execute() running at C:\Users\86151\AppData\Local\Temp\ipykernel_8608\1498524175.py:3>>
Number: 1
Task: <Task finished name='Task-7' coro=<execute() done, defined at C:\Users\86151\AppData\Local\Temp\ipykernel_8608\1498524175.py:3> result=1>
After calling loop

这里我们定义了 loop 对象之后，紧接着调用了它的 create_task 方法，将协程对象转化为 task 对象，随后打印输出了一下，发现它处于 pending 状态。然后将 task 对象添加到时间循环中执行，并再次打印出 task 对象，发现它的状态变成了 finished ，同事还可以看到 result 变成了 1 ，也就是我们定的 execute 方法返回的结果

定义 task 方法还有另外一种方式，就是直接调用 asyncio 包的 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 对象，即使还没有声明 loop，也可以提前定义好 task 对象

import asyncio

async def execute(x):
print('Number:', x)
return x

coroutine = execute(1)
print('Coroutine:', coroutine)
print('After calling execute')

task = asyncio.ensure_future(coroutine)
print('Task:',task)
loop = asyncio.get_event_loop()
loop.run_until_complete(task)
print('Task:', task)
print('After calling loop')

Coroutine: <coroutine object execute at 0x0000019906E38790>
After calling execute
Task: <Task pending name='Task-9' coro=<execute() running at C:\Users\86151\AppData\Local\Temp\ipykernel_8608\1055771119.py:3>>
Number: 1
Task: <Task finished name='Task-9' coro=<execute() done, defined at C:\Users\86151\AppData\Local\Temp\ipykernel_8608\1055771119.py:3> result=1>
After calling loop

效果一样的

绑定回调

我们也可以为 task 对象绑定一个回调方法

import asyncio
import requests

async def request():
url = 'https://www.baidu.com'
status = requests.get(url)
return status

def callback(task):
print('Status:', task.result())

coroutine = request()
task = asyncio.ensure_future(coroutine)
task.add_done_callback(callback)
print('Task:', task)

loop = asyncio.get_event_loop()
loop.run_until_complete(task)
print('Task:', task)

Task: <Task pending name='Task-12' coro=<request() running at C:\Users\86151\AppData\Local\Temp\ipykernel_8608\1121094303.py:4> cb=[callback() at C:\Users\86151\AppData\Local\Temp\ipykernel_8608\1121094303.py:9]>
Task: <Task finished name='Task-12' coro=<request() done, defined at C:\Users\86151\AppData\Local\Temp\ipykernel_8608\1121094303.py:4> result=<Response [200]>>
Status: <Response [200]>

这里我们定义了 request 方法，在这个方法里请求了百度，并获取了其状态码，但是没有编写任何 print 语句，随后我们定义 callback 方法，这个方法接收了一个参数，参数是 task 对象，在这个方法里调用了 print 方法打印出了 task 对象的结果。这样就定义好了一个协程方法和一个回调方法。我们现在希望达到的效果是，当协程对象执行完毕后，就去执行声明的 callback 方法

那么两者怎样关联起来呢？很简单只要调用 add_done_callback 方法就行，我们将 callback 方法传递给封装好的 task 对象，这样当 task 执行完毕后，就可以调用 callback 方法了。同时 task 对象还会作为参数传递给 callback 方法，调用 task 对象的 result 方法就可以获取返回结果了

实际上，即使不使用回调方法，在 task 运行完毕后，也可以直接调用 result 方法获取结果

import asyncio
import requests

async def request():
url = 'https://www.baidu.com'
status = requests.get(url)
return status

coroutine = request()
task = asyncio.ensure_future(coroutine)
print('Task:', task)

loop = asyncio.get_event_loop()
loop.run_until_complete(task)
print('Task:', task)
print('Task Result:', task.result())

Task: <Task pending name='Task-15' coro=<request() running at C:\Users\86151\AppData\Local\Temp\ipykernel_8608\348552350.py:4>>
Task: <Task finished name='Task-15' coro=<request() done, defined at C:\Users\86151\AppData\Local\Temp\ipykernel_8608\348552350.py:4> result=<Response [200]>>
Task Result: <Response [200]>

多任务协程

在上面的例子中，我们都只执行了一次请求，如果要执行多次请求该怎么做？

可以定义一个 task 列表，然后使用 asyncio 包中的 wait 方法执行

import asyncio
import requests

async def request():
url = 'https://www.baidu.com'
status = requests.get(url)
return status

tasks = [asyncio.ensure_future(request()) for _ in range(5)]
print('Task:', task)

loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))

for task in tasks:
print('Task Result:', task.result())

Task: <Task finished name='Task-15' coro=<request() done, defined at C:\Users\86151\AppData\Local\Temp\ipykernel_8608\348552350.py:4> result=<Response [200]>>
Task Result: <Response [200]>
Task Result: <Response [200]>
Task Result: <Response [200]>
Task Result: <Response [200]>
Task Result: <Response [200]>

这里我们使用了一个 for 循环创建了 5 个 task 它们组成了一个列表，然后首先将这个列表传给 asyncio 包的 wait 方法，再将其注册到事件循环中，就可以发起 5 个任务了，最后输出任务的执行结果，就可以看到 5 个任务被以此执行

协程实现

了解前面的基础之后，现在来用最开始的例子，使用协程来完成它

首先看一个使用协程常犯的错误

import asyncio
import requests
import time

start = time.time()

async def request():
url = 'https://www.httpbin.org/delay/5'
print('Waiting for', url)
response = requests.get(url)
print('Get response from : ', url, 'response', response)

tasks = [asyncio.ensure_future(request()) for _ in range(10)]
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))

end = time.time()
print('Cost time:', end - start)

Waiting for https://www.httpbin.org/delay/5
Get response from :  https://www.httpbin.org/delay/5 response <Response [200]>
Waiting for https://www.httpbin.org/delay/5
Get response from :  https://www.httpbin.org/delay/5 response <Response [200]>
Waiting for https://www.httpbin.org/delay/5
Get response from :  https://www.httpbin.org/delay/5 response <Response [200]>
Waiting for https://www.httpbin.org/delay/5
Get response from :  https://www.httpbin.org/delay/5 response <Response [200]>
Waiting for https://www.httpbin.org/delay/5
Get response from :  https://www.httpbin.org/delay/5 response <Response [200]>
Waiting for https://www.httpbin.org/delay/5
Get response from :  https://www.httpbin.org/delay/5 response <Response [200]>
Waiting for https://www.httpbin.org/delay/5
Get response from :  https://www.httpbin.org/delay/5 response <Response [200]>
Waiting for https://www.httpbin.org/delay/5
Get response from :  https://www.httpbin.org/delay/5 response <Response [200]>
Waiting for https://www.httpbin.org/delay/5
Get response from :  https://www.httpbin.org/delay/5 response <Response [200]>
Waiting for https://www.httpbin.org/delay/5
Get response from :  https://www.httpbin.org/delay/5 response <Response [200]>
Cost time: 66.84309554100037

这里我们创建了 10 个task ，然后将 tasks 列表传递给了 wait 方法并注册到事件循环中执行

可以发现，这和正常的请求没有什么区别，各个任务依然是顺序执行的，耗时 66 秒，平均一个请求耗时 6.6 秒。并没有实现异步

其实，想要实现异步操作，先得有挂起操作，当一个任务需要等待 I/O结果的时候，可以挂起当前的任务，转而执行其他任务，这样才能充分利用好资源。

要实现异步，我们再了解一下 await 关键字的用法，它可以将耗时等待的操作挂起，让出控制权。

如果协程再执行的时候遇到 await ，事件循环就会将本协程挂起，转而执行别的协程，直到其他协程挂起或执行完毕

async def request():
url = 'https://www.httpbin.org/delay/5'
print('Waiting for', url)
response = await requests.get(url)
print('Get response from : ', url, 'response', response)

这里按照教程里是要报错的，但我这里并没有报错，

tasks = [asyncio.ensure_future(request()) for _ in range(10)]
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))

end = time.time()
print('Cost time:', end - start)

加上这些代码后并不能完整执行，说明还是有问题的

来看看教程说的问题

这次协程遇到 await 确实挂起了，也等待了，但是最后却报错了。这个错误的原因是 requests 返回的 response 对象不能和 awiat 一起使用，因为官方文档说明 await 后面的对象必须是如下格式之一

一个原生协程对象

一个由 type.coroutine 修饰的生成器，这个生成器可以返回协程对象

由一个包含 __await__ 方法的对象返回的一个迭代器

这里返回的 Response 对像以上三种都不符合，因此报错

如果我们直接将 async 后面的请求方法变成协程对象会怎样

import asyncio
import requests
import time

start = time.time()

async def get(url):
return requests.get(url)

async def request():
url = 'https://www.httpbin.org/delay/5'
print('Waiting for', url)
response = await get(url)
print('Get response from', url, 'response', response)

tasks = [asyncio.ensure_future(request()) for _ in range(10)]
loop = asyncio.get_event_loop()
loop.run_until_complete(asynico.wait(tasks))

end = time.time()
print('Cost time:', end - start)

答案是报错了，这里报错和教程不一样，不过懒得纠结

使用 aiohttp

aiohttp 是一个支持异步请求的库，它和 asyncio 配合使用，可以使我们非常方便的实现异步请求操作

安装： pip install aiohttp

官方链接： https://aiohttp.readthedocs.io/

import asyncio
import aiohttp
import time

start = time.time()

async def get(url):
session = aiohttp.ClientSession()
response = await session.get(url)
await session.close()
return response

async def request():
url = 'https://www.httpbin.org/delay/5'
print('Waiting for', url)
response = await get(url)
print('Get response from',url, 'response', response)

tasks = [asyncio.ensure_future(request()) for _ in range(10)]
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))
end = time.time()
print('Cost time:', end - start)

Waiting for https://www.httpbin.org/delay/5
Waiting for https://www.httpbin.org/delay/5
Waiting for https://www.httpbin.org/delay/5
Waiting for https://www.httpbin.org/delay/5

..........

Cost time: 6.876450300216675

这次只有 6秒

这里我们使用了 await ，其后面跟着 get 方法，在执行 10个协程的时候，如果遇到 await ，就会将当前协程挂起，转而执行其他协程，直到其他协程也挂起或执行完毕，再执行下一个协程

开始运行时，事件循环会运行第一个 task 对于第一个 task 来说，当执行到第一个 await 跟着的 get 方法时，他会被挂起，但这个 get 方法第一步的执行是非常阻塞的，挂起之后会立马被唤醒，立即又进入执行，并创建了 ClientSession 对象。接着遇到第二个 await , 调用 session.get 请求方法，然后就被挂起了。由于请求需要耗时很久，所以一直没有被唤醒，好在第一个 task 被挂起了，接下来，事件循环会寻找当前未被挂起的协程继续执行，然后转而去执行第二个 task ，流程操作和第一个 task 也是一样的，以此类推，知道第十个 task 的 session.get 方法之后，全部的 task 都被挂起了。所有 task 都已经处于挂起状态，这时就只好等待了，5秒之后，几个请求几乎同时响应，然后几个 task 也被唤醒接着执行，并输出请求结果

在上面的例子中，发出网络请求后，接下来的 5 秒都是在等待，那么在这 5 秒之内， CPU 可以处理的 task 数量远远不止这些，既然这样的话，我们可以放的 task 能达到多少？

这就要取决于服务器的响应，IO传输的延迟，不同的服务器处理 task 的实现机制不同

这里以百度为例

import asyncio
import aiohttp
import time
def test(number):
start = time.time()
async def get(url):
session = aiohttp.ClientSession()
response = await session.get(url)
await response.text()
await session.close()
return response

async def request():
url = 'https://www.baidu.com/'
await get(url)

tasks = [asyncio.ensure_future(request()) for _ in range(number)]
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))

end = time.time()
print('Number:', number, 'Cost time:', end - start)

for number in [1, 3, 5, 10, 15, 30, 50, 75, 100, 200, 500]:
test(number)

注意请求太多会被限制

在服务器能够承受高并发的情况下，即使我们增加了并发量，爬取速速也不会太受影响

原文地址：https://blog.csdn.net/qq_39217312/article/details/140686581

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

上一篇：Mysql或MariaDB数据库的用户与授权操作——实操保姆级教程
下一篇：Linux的yum源安装MySQL5.7

Spring-IOC容器-ApplicationContext
Inversion of Control 控制反转，是一种设计原则，spring 中通过DI（dependency Injection）来具体实现。比如原本对象的实例化，是通过程序主动New出来，IO
阅读更多2024-09-17
Linux tr命令
⏹Linux tr命令
阅读更多2024-09-17
基于Spring Boot的音乐平台的设计与实现（开题报告）
该开题报告对“基于Spring Boot音乐系统设计与实现”的现状进行了分析，指出了当前存在的问题，提出了解决的方案，研究方法适当。二、主要研究内容（说明研究课题的具体内容及课题的新颖性，并明确重点解
阅读更多2024-09-17
【mechine learning-十-grading descent梯度下降实现】
grading descent 算法就是更新参数，今天来学习下如何更新w和b。
阅读更多2024-09-17
Vite - 依赖预购建
Vite - 依赖预购建
阅读更多2024-09-17
JavaScript之如何优化模板字符串的性能
模板字符串在大多数场景下是非常方便和强大的，但在性能要求高的场景下，合理地优化和调整使用方式可以显著提高性能。减少复杂的模板字符串创建、避免在循环中频繁使用复杂模板、优化嵌套表达式的计算、使用更高效的
阅读更多2024-09-17
Anaconda安装并配置Python环境
Anaconda，中文大蟒蛇，是一个开源的Anaconda是专注于数据分析的Python发行版本，包含了conda、Python等190多个科学包及其依赖项。Anaconda就是可以便捷获取包且对包能
阅读更多2024-09-17
TeamTalk梳理概括
同时把消息进行持久化，将聊天消息发给这个 DBProxy（数据库代理服务），存储消息成功后，DBProxyServer组包应答MsgServer，MsgServer收到回复后组包应答Client A。
阅读更多2024-09-17
Linux whereis和which的区别
环境变量所指定的路径中。如果某个可执行文件不在。所定义的路径中查找。
阅读更多2024-09-17
深入了解字符函数和字符串函数
前言：今天给大家深入理解一下字符函数和字符串函数。通过使用和模拟实现带大家加深理解，让大家灵活使用。
阅读更多2024-09-17