你是不是已经成为【爸爸程序员】了?用Python给自己的宝下载200+绘本动画吧,协程第3遍学习

在 python 爬虫中使用协程,能大幅度提高对目标站点的采集效率,所以我们要反复学习本概念,并将其用在爬虫案例中。

协程的定义

有了两篇文章的铺垫,现在定义一个协程应该是非常简单的了,在一个函数前面增加 async 关键字,函数就变成了协程,你可以直接通过 isinstance 函数,验证其类型。

from collections.abc import Coroutine


async def func():
    print("我是协程函数")


if __name__ == '__main__':
    # 创建协程对象,注意协程对象不会运行函数内代码,即不会输出任何信息
    coroutine = func()

    # 类型判断
    print(isinstance(coroutine, Coroutine))

代码输入如下内容:

True
sys:1: RuntimeWarning: coroutine 'func' was never awaited

通过类型判断,得到添加 async 关键字的函数是协程类型,下面的警告暂时忽略,原始是该协程没有被注册到事件循环中并得到调用。

使用协程

本次依旧采用一个爬虫案例学习协程,目标站点为 http://banan.huiben.61read.com/,该站点为中少绘本网站,它是中国少年儿童新闻出版总社旗下的绘本网站,网站有大量儿童绘本动画,并且无广告,动画都是 MP4 格式,便于下载。

import asyncio

import requests


# 协程函数
async def get_html():
    res = requests.get("http://banan.huiben.61read.com/Video/List/1d4a3be3-0a72-4260-979b-743d9db8ad85")
    if res is not None:
        return res.status_code
    else:
        return None


# 声明协程对象
coroutine = get_html()

# 事件循环对象
loop = asyncio.get_event_loop()

# 将协程转换为任务
task = loop.create_task(coroutine)
# task = asyncio.ensure_future(coroutine) # 使用该方法,也可以将协程转换为任务

# 将 task 任务放入事件循环中并调用
loop.run_until_complete(task)

# 输出结果
print("结果输出",task.result())

也可以对上述代码进行改造,python3.7 之后,可以使用 asyncio.run() 方法来运行最高层级的入口函数。

import asyncio
import requests


# 协程函数
async def get_html():
    res = requests.get("http://banan.huiben.61read.com/Video/List/1d4a3be3-0a72-4260-979b-743d9db8ad85")
    if res is not None:
        print(res.status_code)
    else:
        return None


async def main():
    await get_html()


# 声明协程对象
coroutine = get_html()

asyncio.run(main())

接下来参考上述代码,实现对两个 MP4 视频的下载。

# http://static.61read.com/flipbooks/huiben/huazhuangwuhui/web/1.mp4
# http://static.61read.com/flipbooks/huiben/jingubanghexiaofengche/web/1.mp4
import asyncio
import time
import requests


async def requests_get(url):
    headers = {
     
        "Referer": "http://banan.huiben.61read.com/",
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.54 Safari/537.36"
    }
    try:
        res = requests.get(url, headers=headers)
        return res
    except Exception as e:
        print(e)
        return None


async def get_video(url):
    res = await requests_get(url)
    if res is not None:
        with open(f'./mp4/{
       time.time()}.mp4', "wb") as f:
            f.write(res.content)


async def main():
    start_time = time.perf_counter()
    # http://static.61read.com/flipbooks/huiben/huazhuangwuhui/web/1.mp4
    # http://static.61read.com/flipbooks/huiben/jingubanghexiaofengche/web/1.mp4

    await get_video("http://static.61read.com/flipbooks/huiben/huazhuangwuhui/web/1.mp4")
    await get_video("http://static.61read.com/flipbooks/huiben/jingubanghexiaofengche/web/1.mp4")

    print("代码运行时间:", time.perf_counter() - start_time)


if __name__ == '__main__':
    asyncio.run(main())

测试在上述代码下,下载两个视频耗时 44S(不同电脑与网速时间不同)。

使用 asyncio.create_task() 函数用来并发运行多个协程
继续修改代码,优化执行时间。

import asyncio
import time
import requests


async def requests_get(url):
    headers = {
     
        "Referer": "http://banan.huiben.61read.com/",
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.54 Safari/537.36"
    }
    try:
        res = requests.get(url, headers=headers)
        return res
    except Exception as e:
        print(e)
        return None


async def get_video(url):
    res = await requests_get(url)
    if res is not None:
        with open(f'./mp4/{
       time.time()}.mp4', "wb") as f:
            f.write(res.content)


async def main():
    start_time = time.perf_counter()
    # http://static.61read.com/flipbooks/huiben/huazhuangwuhui/web/1.mp4
    # http://static.61read.com/flipbooks/huiben/jingubanghexiaofengche/web/1.mp4

    task1 = asyncio.create_task(
        get_video("http://static.61read.com/flipbooks/huiben/huazhuangwuhui/web/1.mp4"))

    task2 = asyncio.create_task(
        get_video("http://static.61read.com/flipbooks/huiben/jingubanghexiaofengche/web/1.mp4"))
    await task1
    await task2
    print("代码运行时间:", time.perf_counter() - start_time)


if __name__ == '__main__':
    asyncio.run(main())

代码运行时间为 27S,可以看到效率得到了提升。
在正式分析上述代码前,先学习一个 可等待对象 概念

可等待对象
可以在 await 语句中使用的对象,就是可等待对象,可等待对象有三种主要类型:协程任务Future

协程在 python 中一定要区分好,协程函数与协程对象,后者是前者所返回的对象。

创建任务
asyncio.create_task(coro, *, name=None)创建任务对象并调度其执行,参数1为协程对象,参数2为任务名称,该函数是 python3.7 之后加入的,如果使用之前的版本,请使用 asyncio.ensure_future() 函数。

并发运行任务
函数原型如下所示:

asyncio.gather(*aws, loop=None, return_exceptions=False) -> awaitable 

并发运行序列中的可等待对象,如果 aws 中的某个可等待对象为协程,它将自动被作为一个任务调度。

return_exceptions 参数说明:

  1. return_exceptions 为 False (默认),所引发的首个异常会立即传播给等待 gather() 的任务。aws 序列中的其他可等待对象不会被取消并将继续运行;
  2. return_exceptions 为 True,异常会和成功的结果一样处理,并聚合至结果列表。

如果 gather() 被取消,所有被提交 (尚未完成) 的可等待对象也会被取消。

简单等待
函数原型如下:

asyncio.wait(aws, *, loop=None, timeout=None, return_when=ALL_COMPLETED) -> coroutine 

并发运行 aws 指定的可等待对象并阻塞线程直到满足 return_when 指定的条件。

如果 aws(上述参数) 中的某个可等待对象为协程,它将自动作为任务加入日程。直接向 wait() 传入协程对象已弃用。

该函数返回两个 Task/Future 集合,一般写作 (done, pending)

return_when 指定此函数应在何时返回。它必须为以下常数之一:

  • FIRST_COMPLETED:函数将在任意可等待对象结束或取消时返回;
  • FIRST_EXCEPTION:函数将在任意可等待对象因引发异常而结束时返回。当没有引发任何异常时它就相当于 ALL_COMPLETED;
  • ALL_COMPLETED:函数将在所有可等待对象结束或取消时返回。

wait() 方法类似的一个方法是 wait_for,该方法原型如下:

asyncio.wait_for(aw, timeout, *, loop=None) -> coroutine 

等待 aw 可等待对象 完成,指定 timeout 秒数后超时。

这个函数可以传递协程,如果发生超时,任务取消并引发 asyncio.TimeoutError

wait()wait_for() 的区别是:wait() 在超时发生时不会取消可等待对象。

绑定回调函数

异步I/O的实现原理,就是在I/O操作的地方挂起程序,等I/O结束后,再继续执行。
编写爬虫程序,很多时候都要依赖IO的返回值,这就要用到回调了。
同步编程实现回调

直接在 await 前声明变量,获取回调值

import asyncio
import time
import requests


async def requests_get(url):
    headers = {
     
        "Referer": "http://banan.huiben.61read.com/",
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.54 Safari/537.36"
    }
    try:
        res = requests.get(url, headers=headers)
        return res
    except Exception as e:
        print(e)
        return None


async def get_video(url):
    res = await requests_get(url)
    if res is not None:
        with open(f'./mp4/{
       time.time()}.mp4', "wb") as f:
            f.write(res.content)
        return (url,"success")
    else:
        return None

async def main():
    start_time = time.perf_counter()
    # http://static.61read.com/flipbooks/huiben/huazhuangwuhui/web/1.mp4
    # http://static.61read.com/flipbooks/huiben/jingubanghexiaofengche/web/1.mp4

    task1 = asyncio.create_task(
        get_video("http://static.61read.com/flipbooks/huiben/huazhuangwuhui/web/1.mp4"))

    task2 = asyncio.create_task(
        get_video("http://static.61read.com/flipbooks/huiben/jingubanghexiaofengche/web/1.mp4"))
    # 同步回调方法
    ret1 = await task1
    ret2 = await task2
    print(ret1,ret2)
    print("代码运行时间:", time.perf_counter() - start_time)


if __name__ == '__main__':
    asyncio.run(main())

通过 asyncio 添加回调函数功能来实现

用到的方式是 add_done_callback,添加一个回调,该回调将在 Task 对象完成时被运行。与之对应的是移除回调函数,remove_done_callback

import asyncio
import time
import requests


async def requests_get(url):
    headers = {
     
        "Referer": "http://banan.huiben.61read.com/",
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.54 Safari/537.36"
    }
    try:
        res = requests.get(url, headers=headers)
        return res
    except Exception as e:
        print(e)
        return None


async def get_video(url):
    res = await requests_get(url)
    if res is not None:
        with open(f'./mp4/{
       time.time()}.mp4', "wb") as f:
            f.write(res.content)
        return (url, "success")
    else:
        return None


async def main():
    start_time = time.perf_counter()
    # http://static.61read.com/flipbooks/huiben/huazhuangwuhui/web/1.mp4
    # http://static.61read.com/flipbooks/huiben/jingubanghexiaofengche/web/1.mp4

    task1 = asyncio.create_task(
        get_video("http://static.61read.com/flipbooks/huiben/huazhuangwuhui/web/1.mp4"))
    task1.add_done_callback(callback)

    task2 = asyncio.create_task(
        get_video("http://static.61read.com/flipbooks/huiben/jingubanghexiaofengche/web/1.mp4"))
    task2.add_done_callback(callback)
    # 同步回调方法
    await task1
    await task2
    print("代码运行时间:", time.perf_counter() - start_time)


def callback(future):
    print('回调函数,返回结果是:', future.result())


if __name__ == '__main__':
    asyncio.run(main())

本节课的爬虫案例

本节课爬虫由于涉及很多 MP4 视频,完整代码在 codechina 下载,主要思路整理如下。

第一步:获取所有列表页的地址
具体数据位置如下所示,由于数据都在一个页面中,顾获取方式比较简单,直接解析网页即可。
你是不是已经成为【爸爸程序员】了?用Python给自己的宝下载200+绘本动画吧,协程第3遍学习_第1张图片
第二步:获取视频下载地址
通过下述流程获取视频地址,在查找过程中发现,视频缩略图的地址与视频播放器地址存在一定的规律,如下所示:

# 视频缩略图地址
http://static.61read.com/flipbooks/huiben/chudiandetouyuzei/cover.jpg
# 视频地址
http://static.61read.com/flipbooks/huiben/chudiandetouyuzei/web/1.mp4

即去除 cover.jpg,替换为 web/1.mp4,这样大幅度降低我们获取视频的层级了。
你是不是已经成为【爸爸程序员】了?用Python给自己的宝下载200+绘本动画吧,协程第3遍学习_第2张图片
第三步:编写代码下载视频

import asyncio
import time
import requests
from bs4 import BeautifulSoup
import lxml

BASE_URL = "http://banan.huiben.61read.com"


async def requests_get(url):
    headers = {
     
        "Referer": "http://banan.huiben.61read.com/",
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.54 Safari/537.36"
    }
    try:
        res = requests.get(url, headers=headers)
        return res
    except Exception as e:
        print(e)
        return None


async def get_video(name, url):
    res = await requests_get(url)
    if res is not None:
        with open(f'./mp4/{
       name}.mp4', "wb") as f:
            f.write(res.content)
        return (name, url, "success")
    else:
        return None


async def get_list_url():
    """获取列表页地址"""
    res = await requests_get("http://banan.huiben.61read.com/")
    soup = BeautifulSoup(res.text, "lxml")
    all_a = []
    for ul in soup.find_all(attrs={
     'class', 'inline'}):
        all_a.extend(BASE_URL + _['href'] for _ in ul.find_all('a'))
    return all_a


async def get_mp4_url(url):
    """获取MP4地址"""
    res = await requests_get(url)
    soup = BeautifulSoup(res.text, "lxml")
    mp4s = []
    for div_tag in soup.find_all(attrs={
     'class', 'item_list'}):
        # 获取图片缩略图
        src = div_tag.a.img['src']
        # 将缩略图地址替换为 mp4 视频地址
        src = src.replace('cover.jpg', 'web/1.mp4').replace('cover.png', 'web/1.mp4')
        name = div_tag.div.a.text.strip()
        mp4s.append((src, name))

    return mp4s


async def main():
    # 获取列表页地址任务
    task_list_url = asyncio.create_task(get_list_url())
    all_a = await task_list_url
    # 创建任务列表
    tasks = [asyncio.ensure_future(get_mp4_url(url)) for url in all_a]
    # 添加回调函数
    # ret = map(lambda x: x.add_done_callback(callback), tasks)
    # 异步执行
    dones, pendings = await asyncio.wait(tasks)
    all_mp4 = []
    for task in dones:
        all_mp4.extend(task.result())
    # 获取到所有的MP4地址

    totle = len(all_mp4)
    print("累计获取到【", totle, "】个视频")
    print("_" * 100)
    print("准备下载视频")

    # 每次下载10个
    totle_page = totle // 10 if totle % 10 == 0 else totle // 10 + 1
    # print(totle_page)
    for page in range(0, totle_page):
        print("正在下载第{}页视频".format(page + 1))
        start_page = 0 if page == 0 else page * 10
        end_page = (page + 1) * 10
        print("待下载地址")
        print(all_mp4[start_page:end_page])
        mp4_download_tasks = [asyncio.ensure_future(get_video(name, url)) for url, name in all_mp4[start_page:end_page]]
        mp4_dones, mp4_pendings = await asyncio.wait(mp4_download_tasks)
        for task in mp4_dones:
            print(task.result())


if __name__ == '__main__':
    asyncio.run(main())

你是不是已经成为【爸爸程序员】了?用Python给自己的宝下载200+绘本动画吧,协程第3遍学习_第3张图片

写在后面

如需完整代码,请查看评论区置顶评论。

今天是持续写作的第 243 / 365 天。
期待 关注点赞评论收藏

更多精彩

《爬虫 100 例,专栏销售中,买完就能学会系列专栏》
你是不是已经成为【爸爸程序员】了?用Python给自己的宝下载200+绘本动画吧,协程第3遍学习

你可能感兴趣的:(Python爬虫120,python,爬虫,python入门教程,python教程,python学习)