Python网络爬虫的同步和异步

   <p>一、同步与异步</p>    <pre>  <code class="language-python">#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-->   </code></pre>    <p>模板</p>    <pre>  <code class="language-python">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())   </code></pre>    <p>tips:</p>    <p>await表达式中的对象必须是awaitable</p>    <p>requests不支持非阻塞</p>    <p>aiohttp是用于异步请求的库</p>    <p>代码</p>    <pre>  <code class="language-python">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))   </code></pre>    <p>gevent简介</p>    <p>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。</p>    <p>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。</p>    <p>猴子补丁</p>    <p>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。</p>    <p>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）。</p>    <p>代码</p>    <pre>  <code class="language-python">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)   </code></pre>    <p>gevent：异步理论与实战</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/3a818006b0224e630b7d4c17a6bcec53.jpg"></p>    <p>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</p>    <p>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。</p>    <p>串行和异步</p>    <p>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。</p>    <p>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。</p>    <p>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。</p>    <pre>  <code class="language-python">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)          ])   </code></pre>    <p>运行的顺序：</p>    <pre>  <code class="language-python">Running in foo    Explicit context to bar    Explicit context switch to foo again    Implicit context switch back to bar   </code></pre>    <p>同步异步的顺序问题</p>    <p>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）</p>    <p>代码</p>    <pre>  <code class="language-python">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()   </code></pre>    <p>输出</p>    <p>Synchronous同步:</p>    <pre>  <code class="language-python">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   </code></pre>    <p>Asynchronous异步:</p>    <pre>  <code class="language-python">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   </code></pre>    <p>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）。</p>    <p>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。</p>    <p>实战</p>    <p>实现gevent到底怎么用，把异步访问得到的数据提取出来。</p>    <p>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。</p>    <p>分析url规律</p>    <pre>  <code class="language-python">#url构建只需要传入word即可      url = "http://dict.youdao.com/w/eng/{}/".format(word)   </code></pre>    <p>解析网页数据</p>    <pre>  <code class="language-python">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}   </code></pre>    <p>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</p>    <p>同步代码</p>    <pre>  <code class="language-python">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()   </code></pre>    <p>异步代码</p>    <pre>  <code class="language-python">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()   </code></pre>    <p>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。</p>    <p>解决办法</p>    <p>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：</p>    <p>方法1</p>    <pre>  <code class="language-python">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)   </code></pre>    <p>方法2</p>    <pre>  <code class="language-python">chunks = lambda seq, size: [seq[i: i+size] for i in range(0, len(seq), size)]      print(chunks(seq, 5))   </code></pre>    <p>方法3</p>    <pre>  <code class="language-python">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)    </code></pre>    <p>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.</p>    <p>动手实现</p>    <pre>  <code class="language-python">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)    </code></pre>    <p> </p>    <p>来自：http://developer.51cto.com/art/201801/565596.htm</p>    <p> </p>