python爬虫--aiohttp使用

1.aiohttp的简单使用(配合asyncio模块)

import asyncio,aiohttp

async def fetch_async(url):

print(url)

async with aiohttp.request(“GET”,url) as r:

reponse = await r.text(encoding=“utf-8”)　　#或者直接await r.read()不编码，直接读取，适合于图像等无法编码文件

print(reponse)

tasks = [fetch_async(‘http://www.baidu.com/’), fetch_async(‘http://www.chouti.com/’)]

event_loop = asyncio.get_event_loop()

results = event_loop.run_until_complete(asyncio.gather(*tasks))

event_loop.close()

2.发起一个session请求

import asyncio,aiohttp

async def fetch_async(url):

print(url)

async with aiohttp.ClientSession() as session:　　#协程嵌套，只需要处理最外层协程即可fetch_async

async with session.get(url) as resp:

print(resp.status)

print(await resp.text())　　#因为这里使用到了await关键字，实现异步，所有他上面的函数体需要声明为异步async

tasks = [fetch_async(‘http://www.baidu.com/’), fetch_async(‘http://www.cnblogs.com/ssyfj/’)]

event_loop = asyncio.get_event_loop()

results = event_loop.run_until_complete(asyncio.gather(*tasks))

event_loop.close()

除了上面的get方法外，会话还支持post，put,delete…等

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’)

不要为每次的连接都创建一次session,一般情况下只需要创建一个session，然后使用这个session执行所有的请求。

每个session对象，内部包含了一个连接池，并且将会保持连接和连接复用(默认开启)可以加快整体的性能。

3.在url中传递参数(其实与requests模块使用大致相同)

只需要将参数字典，传入params参数中即可[code]import asyncio,aiohttp

import asyncio,aiohttp

async def func1(url,params):

async with aiohttp.ClientSession() as session:

async with session.get(url,params=params) as r:

print(r.url)

print(await r.read())

tasks = [func1(‘https://www.ckook.com/forum.php’,{“gid”:6}),]

event_loop = asyncio.get_event_loop()

results = event_loop.run_until_complete(asyncio.gather(*tasks))

event_loop.close()

4.获取响应内容(由于获取响应内容是一个阻塞耗时过程，所以我们使用await实现协程切换)

(1)使用text()方法

async def func1(url,params):

async with aiohttp.ClientSession() as session:

async with session.get(url,params=params) as r:

print(r.url)

print(r.charset)　　#查看默认编码为utf-8

print(await r.text())　　#不编码，则是使用默认编码　　使用encoding指定编码

(2)使用read()方法，不进行编码，为字节形式

async def func1(url,params):

async with aiohttp.ClientSession() as session:

async with session.get(url,params=params) as r:

print(r.url)

print(await r.read())

(3)注意：text(),read()方法是把整个响应体读入内存，如果你是获取大量的数据，请考虑使用”字节流“(StreamResponse)

5.特殊响应内容json(和上面一样)

async def func1(url,params):

async with aiohttp.ClientSession() as session:

async with session.get(url,params=params) as r:

print(r.url)

print(r.charset)

print(await r.json())　　#可以设置编码，设置处理函数

6.字节流形式获取数据(不像text,read一次获取所有数据)注意：我们获取的session.get()是Response对象，他继承于StreamResponse

async def func1(url,params):

async with aiohttp.ClientSession() as session:

async with session.get(url,params=params) as r:

print(await r.content.read(10)) #读取前10字节

下面字节流形式读取数据，保存文件

async def func1(url,params,filename):

async with aiohttp.ClientSession() as session:

async with session.get(url,params=params) as r:

with open(filename,“wb”) as fp:

while True:

chunk = await r.content.read(10)

if not chunk:

break

fp.write(chunk)

tasks = [func1(‘https://www.ckook.com/forum.php’,{“gid”:6},“1.html”),]

注意：

async with session.get(url,params=params) as r:　　#异步上下文管理器

with open(filename,“wb”) as fp:　　#普通上下文管理器

两者的区别：

在于异步上下文管理器中定义了

__aenter__和__aexit__方法

异步上下文管理器指的是在enter和exit方法处能够暂停执行的上下文管理器

为了实现这样的功能，需要加入两个新的方法：aenter__和__aexit。这两个方法都要返回一个 awaitable类型的值。

7.自定义请求头(和requests一样)

async def func1(url,params,filename):

async with aiohttp.ClientSession() as session:

headers = {‘Content-Type’:‘text/html; charset=utf-8’}

async with session.get(url,params=params,headers=headers) as r:

with open(filename,“wb”) as fp:

while True:

chunk = await r.content.read(10)

if not chunk:

break

fp.write(chunk)

8.自定义cookie

注意：对于自定义cookie，我们需要设置在ClientSession(cookies=自定义cookie字典),而不是session.get()中

class ClientSession:

def init(self, *, connector=None, loop=None, cookies=None,

headers=None, skip_auto_headers=None,

auth=None, json_serialize=json.dumps,

request_class=ClientRequest, response_class=ClientResponse,

ws_response_class=ClientWebSocketResponse,

version=http.HttpVersion11,

cookie_jar=None, connector_owner=True, raise_for_status=False,

read_timeout=sentinel, conn_timeout=None,

timeout=sentinel,

auto_decompress=True, trust_env=False,

trace_configs=None):

使用：

cookies = {‘cookies_are’: ‘working’}

async with ClientSession(cookies=cookies) as session:

10.获取网站的响应状态码

async with session.get(url) as resp:

print(resp.status)

11.查看响应头

resp.headers 来查看响应头，得到的值类型是一个dict：

resp.raw_headers　　查看原生的响应头，字节类型

12.查看重定向的响应头(我们此时已经到了新的网址，向之前的网址查看)

resp.history　　#查看被重定向之前的响应头

13.超时处理

默认的IO操作都有5分钟的响应时间 我们可以通过 timeout 进行重写：

async with session.get(‘https://github.com’, timeout=60) as r:

…

如果 timeout=None 或者 timeout=0 将不进行超时检查，也就是不限时长。

14.ClientSession 用于在多个连接之间(同一网站)共享cookie，请求头等

async def func1():

cookies = {‘my_cookie’: “my_value”}

async with aiohttp.ClientSession(cookies=cookies) as session:

async with session.get(“https://segmentfault.com/q/1010000007987098”) as r:

print(session.cookie_jar.filter_cookies(“https://segmentfault.com”))

async with session.get(“https://segmentfault.com/hottest”) as rp:

print(session.cookie_jar.filter_cookies(https://segmentfault.com))

Set-Cookie: PHPSESSID=web2~d8grl63pegika2202s8184ct2q

Set-Cookie: my_cookie=my_value

Set-Cookie: PHPSESSID=web2~d8grl63pegika2202s8184ct2q

Set-Cookie: my_cookie=my_value

我们最好使用session.cookie_jar.filter_cookies()获取网站cookie，不同于requests模块，虽然我们可以使用rp.cookies有可能获取到cookie，但似乎并未获取到所有的cookies。

async def func1():

cookies = {‘my_cookie’: “my_value”}

async with aiohttp.ClientSession(cookies=cookies) as session:

async with session.get(“https://segmentfault.com/q/1010000007987098”) as rp:

print(session.cookie_jar.filter_cookies(“https://segmentfault.com”))

print(rp.cookies)　　#Set-Cookie: PHPSESSID=web2~jh3ouqoabvr4e72f87vtherkp6; Domain=segmentfault.com; Path=/　　#首次访问会获取网站设置的cookie

async with session.get(“https://segmentfault.com/hottest”) as rp:

print(session.cookie_jar.filter_cookies(“https://segmentfault.com”))

print(rp.cookies)　　#为空，服务端未设置cookie

async with session.get(“https://segmentfault.com/newest”) as rp:

print(session.cookie_jar.filter_cookies(“https://segmentfault.com”))

print(rp.cookies)　　#为空，服务端未设置cookie

总结：

当我们使用rp.cookie时，只会获取到当前url下设置的cookie,不会维护整站的cookie

而session.cookie_jar.filter_cookies(“https://segmentfault.com”)会一直保留这个网站的所有设置cookies，含有我们在会话时设置的cookie，并且会根据响应修改更新cookie。这个才是我们需要的

而我们设置cookie，也是需要在aiohttp.ClientSession(cookies=cookies)中设置

ClientSession 还支持 请求头，keep-alive连接和连接池(connection pooling)

15.cookie的安全性

默认ClientSession使用的是严格模式的 aiohttp.CookieJar. RFC 2109，明确的禁止接受url和ip地址产生的cookie，只能接受 DNS 解析IP产生的cookie。可以通过设置aiohttp.CookieJar 的 unsafe=True 来配置：

jar = aiohttp.CookieJar(unsafe=True)

session = aiohttp.ClientSession(cookie_jar=jar)

16.控制同时连接的数量(连接池)

TCPConnector维持链接池，限制并行连接的总量，当池满了，有请求退出再加入新请求

async def func1():

cookies = {‘my_cookie’: “my_value”}

conn = aiohttp.TCPConnector(limit=2)　　#默认100，0表示无限

async with aiohttp.ClientSession(cookies=cookies,connector=conn) as session:

for i in range(7,35):

url = “https://www.ckook.com/list-%s-1.html”%i

async with session.get(url) as rp:

print(’---------------------------------’)

print(rp.status)

限制同时打开限制同时打开连接到同一端点的数量((host, port, is_ssl) 三的倍数)，可以通过设置 limit_per_host 参数：

limit_per_host： 同一端点的最大连接数量。同一端点即(host, port, is_ssl)完全相同

conn = aiohttp.TCPConnector(limit_per_host=30)#默认是0

在协程下测试效果不明显

17.自定义域名解析地址

我们可以指定域名服务器的 IP 对我们提供的get或post的url进行解析：

from aiohttp.resolver import AsyncResolver

resolver = AsyncResolver(nameservers=[“8.8.8.8”, “8.8.4.4”])

conn = aiohttp.TCPConnector(resolver=resolver)

18.设置代理

aiohttp支持使用代理来访问网页：

async with aiohttp.ClientSession() as session:

async with session.get(“http://python.org”,

proxy=“http://some.proxy.com”) as resp:

print(resp.status)

当然也支持需要授权的页面：

async with aiohttp.ClientSession() as session:

proxy_auth = aiohttp.BasicAuth(‘user’, ‘pass’)　　#用户，密码

async with session.get(“http://python.org”,

proxy=“http://some.proxy.com”,

proxy_auth=proxy_auth) as resp:

print(resp.status)

或者通过这种方式来验证授权：

session.get(“http://python.org”,

proxy=http://user:[email protected])

19.post传递数据的方法

(1)模拟表单

payload = {‘key1’: ‘value1’, ‘key2’: ‘value2’}

async with session.post(‘http://httpbin.org/post’,

data=payload) as resp:

print(await resp.text())

注意：data=dict的方式post的数据将被转码，和form提交数据是一样的作用，如果你不想被转码，可以直接以字符串的形式 data=str 提交，这样就不会被转码。

(2)post json

payload = {‘some’: ‘data’}

async with session.post(url, data=json.dumps(payload)) as resp:

其实json.dumps(payload)返回的也是一个字符串，只不过这个字符串可以被识别为json格式

(3)post 小文件

url = ‘http://httpbin.org/post’

files = {‘file’: open(‘report.xls’, ‘rb’)}

await session.post(url, data=files)

url = ‘http://httpbin.org/post’

data = FormData()

data.add_field(‘file’,

open(‘report.xls’, ‘rb’),

filename=‘report.xls’,

content_type=‘application/vnd.ms-excel’)

await session.post(url, data=data)

如果将文件对象设置为数据参数，aiohttp将自动以字节流的形式发送给服务器。

(4)post 大文件

aiohttp支持多种类型的文件以流媒体的形式上传，所以我们可以在文件未读入内存的情况下发送大文件。

@aiohttp.streamer

def file_sender(writer, file_name=None):

with open(file_name, ‘rb’) as f:

chunk = f.read(2**16)

while chunk:

yield from writer.write(chunk)

chunk = f.read(2**16)

Then you can use file_sender as a data provider:

async with session.post(‘http://httpbin.org/post’,

data=file_sender(file_name=‘huge_file’)) as resp:

print(await resp.text())

(5)从一个url获取文件后，直接post给另一个url

r = await session.get(‘http://python.org’)

await session.post(‘http://httpbin.org/post’,data=r.content)

(6)post预压缩数据

在通过aiohttp发送前就已经压缩的数据, 调用压缩函数的函数名(通常是deflate 或 zlib)作为content-encoding的值：

async def my_coroutine(session, headers, my_data):

data = zlib.compress(my_data)

headers = {‘Content-Encoding’: ‘deflate’}

async with session.post(‘http://httpbin.org/post’,

data=data,

headers=headers)

pass