python爬虫异步加载_Python网络爬虫中的同步与异步示例详解

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)

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对脚本之家的支持。