我們剛開始學(xué)習(xí)爬蟲的時(shí)候，往往學(xué)習(xí)的都是單線程的同步類型的爬蟲。這樣的爬蟲在遇到阻塞的時(shí)候會(huì)將進(jìn)程掛起，十分耗費(fèi)時(shí)間。使用異步爬蟲就可以在單個(gè)進(jìn)程阻塞的時(shí)候其他進(jìn)程也繼續(xù)工作。那么python異步爬蟲的怎么實(shí)現(xiàn)呢？今天小編就帶來了一篇python異步爬蟲的實(shí)現(xiàn)原理和知識總結(jié)。
多線程爬蟲對服務(wù)器的請求是比較頻繁的，這樣會(huì)給目標(biāo)服務(wù)器造成很大的負(fù)擔(dān)，很容易被對方警告。另外，非法爬取別人網(wǎng)站的信息是會(huì)被法律制裁的，在學(xué)習(xí)爬蟲的時(shí)候請注意爬蟲的度（不要使用次數(shù)很多的循環(huán)，不使用多線程，一次只爬取少量數(shù)據(jù)）。
一、背景
默認(rèn)情況下，用get請求時(shí)，會(huì)出現(xiàn)阻塞，需要很多時(shí)間來等待，對于有很多請求url時(shí)，速度就很慢。因?yàn)樾枰粋€(gè)url請求的完成，才能讓下一個(gè)url繼續(xù)訪問。一種很自然的想法就是用異步機(jī)制來提高爬蟲速度。通過構(gòu)建線程池或者進(jìn)程池完成異步爬蟲，即使用多線程或者多進(jìn)程來處理多個(gè)請求（在別的進(jìn)程或者線程阻塞時(shí)）。
import time
#串形
def getPage(url):
print("開始爬取網(wǎng)站",url)
time.sleep(2)#阻塞
print("爬取完成?。。?,url)
urls = ['url1','url2','url3','url4','url5']
beginTime = time.time()#開始計(jì)時(shí)
for url in urls:
getPage(url)
endTime= time.time()#結(jié)束計(jì)時(shí)
print("完成時(shí)間%d"%(endTime - beginTime))
下面通過模擬爬取網(wǎng)站來完成對多線程，多進(jìn)程，協(xié)程的理解。
二、多線程實(shí)現(xiàn)
import time
#使用線程池對象
from multiprocessing.dummy import Pool
def getPage(url):
print("開始爬取網(wǎng)站",url)
time.sleep(2)#阻塞
print("爬取完成?。。?,url)
urls = ['url1','url2','url3','url4','url5']
beginTime = time.time()#開始計(jì)時(shí)
#準(zhǔn)備開啟5個(gè)線程,并示例化對象
pool = Pool(5)
pool.map(getPage, urls)#urls是可迭代對象，里面每個(gè)參數(shù)都會(huì)給getPage方法處理
endTime= time.time()#結(jié)束計(jì)時(shí)
print("完成時(shí)間%d"%(endTime - beginTime))
完成時(shí)間只需要2s!!!!!!!!
線程池使用原則：適合處理耗時(shí)并且阻塞的操作
三、協(xié)程實(shí)現(xiàn)
單線程+異步協(xié)程?。。。。。。。。?！強(qiáng)烈推薦，目前流行的方式。
相關(guān)概念：
#%%
import time
#使用協(xié)程
import asyncio
async def getPage(url): #定義了一個(gè)協(xié)程對象，python中函數(shù)也是對象
print("開始爬取網(wǎng)站",url)
time.sleep(2)#阻塞
print("爬取完成?。?！",url)
#async修飾的函數(shù)返回的對象
c = getPage(11)
#創(chuàng)建事件對象
loop_event = asyncio.get_event_loop()
#注冊并啟動(dòng)looP
loop_event.run_until_complete(c)
#task對象使用，封裝協(xié)程對象c
'''
loop_event = asyncio.get_event_loop()
task = loop_event.create_task(c)
loop_event.run_until_complete(task)
'''
#Future對象使用，封裝協(xié)程對象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)
'''
#綁定回調(diào)使用
async def getPage2(url): #定義了一個(gè)協(xié)程對象，python中函數(shù)也是對象
print("開始爬取網(wǎng)站",url)
time.sleep(2)#阻塞
print("爬取完成?。?！",url)
return url
#async修飾的函數(shù)返回的對象
c2 = getPage2(2)
def callback_func(task):
print(task.result()) #task.result()返回任務(wù)對象中封裝的協(xié)程對象對應(yīng)函數(shù)的返回值
#綁定回調(diào)
loop_event = asyncio.get_event_loop()
task = asyncio.ensure_future(c2)
task.add_done_callback(callback_func) #真正綁定，
loop_event.run_until_complete(task)
輸出：
四、多任務(wù)協(xié)程實(shí)現(xiàn)
import time
#使用多任務(wù)協(xié)程
import asyncio
urls = ['url1','url2','url3','url4','url5']
async def getPage(url): #定義了一個(gè)協(xié)程對象，python中函數(shù)也是對象
print("開始爬取網(wǎng)站",url)
#在異步協(xié)程中如果出現(xiàn)同步模塊相關(guān)的代碼，那么無法實(shí)現(xiàn)異步
#time.sleep(2)#阻塞
await asyncio.sleep(2)#遇到阻塞操作必須手動(dòng)掛起
print("爬取完成?。。?,url)
return url
beginTime = time.time()
#任務(wù)列表，有多個(gè)任務(wù)
tasks = []
for url in urls:
c = getPage(url)
task = asyncio.ensure_future(c)#創(chuàng)建任務(wù)對象
tasks.append(task)
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))#不能直接放task，需要封裝進(jìn)入asyncio,wait()方法中
endTime = time.time()
print("完成時(shí)間%d"%(endTime - beginTime))
此時(shí)不能用time.sleep(2)，用了還是10秒
對于真正爬取過程中，如在getPage()方法中真正爬取數(shù)據(jù)時(shí)，即requests.get(url) ,它是基于同步方式實(shí)現(xiàn)。應(yīng)該使用異步網(wǎng)絡(luò)請求模塊aiohttp
參考下面代碼：
async def getPage(url): #定義了一個(gè)協(xié)程對象，python中函數(shù)也是對象
print("開始爬取網(wǎng)站",url)
#在異步協(xié)程中如果出現(xiàn)同步模塊相關(guān)的代碼，那么無法實(shí)現(xiàn)異步
#requests.get(url)#阻塞
async with aiohttp.ClintSession() as session:
async with await session.get(url) as response: #手動(dòng)掛起
page_text = await response.text() #.text()返回字符串，read()返回二進(jìn)制數(shù)據(jù)，注意不是content
print("爬取完成?。?！",url)
return page_text
到此這篇Python異步爬蟲的實(shí)現(xiàn)原理與知識總結(jié)就介紹到這里了，希望能給小伙伴帶來幫助，也希望大家以后多多支持W3Cschool！
