python之路 -- 爬虫 -- 高性能相关

Posted 2020-12-03 aberwang

高性能爬虫方案：

　　多进程

　　多线程

　　利用“异步非阻塞”模块实现单线程并发请求。

本质

 1 sk = socket()
 2 # 阻塞
 3 sk.connect((‘www.cnblogs.com‘,80))
 4 
 5 sk.sendall(b"GET /wupeiqi http1.1
.....

")
 6 sk.sendall(b"POST /wupeiqi http1.1
.....

user=alex&pwd=123")
 7 
 8 # 阻塞
 9 data = sk.recv(8096)
10 
11 sk.close()

IO多路复用：

　　监听多个socket是否发生变化

IO多路复用的作用：

　　1.select，内部循环检测socket是否发生变化；最多只能检测1024个socket

　　2.poll，内部循环检测socket是否发生变化；检测socket数不限

　　3.epoll，通过回调的方式检测socket是否发生变化；检测socket数不限

什么是异步非阻塞？

非阻塞：

　　 不等待(可能会报错，捕捉异常)
 　　代码：
　　　　sk = socket.socket()
　　　　sk.setblocking(False)
异步：
　　回调，当达到某个指定的状态之后，自动调用特定函数。

如何自定义异步非阻塞模块？　　　

本质：socket+IO多路复用

　　基于socket设置setblocking和IO多路复用来实现。
　　爬虫发送Http请求本质创建socket对象；
　　IO多路复用"循环"监听socket是否发生变化，一旦发生变化， 我们可以自定义操作（触发某个函数的执行）

 什么是协程？

　　1. 是“微线程”，不存在；是由程序员人为创造出来并控制程序：先执行某段代码、再跳到某处执行某段代码。
　　2.如果遇到非IO请求来回切换：性能更低。

　　3. 如果遇到IO（耗时）请求来回切换：性能高、实现并发（本质上利用IO等待的过程，再去干一些其他的事）

 

 通过yield实现一个协程：

def func1():
                        
                        print(‘adsfasdf‘)
                        print(‘adsfasdf‘)
                        print(‘adsfasdf‘)
                        yield 1
                        print(‘adsfasdf‘)
                        print(‘adsfasdf‘)
                        print(‘adsfasdf‘)
                        
                        yield 2
                        yield 3
                        yield 4
                        
                    def func2():
                        print(‘adsfasdf‘)
                        print(‘adsfasdf‘)
                        print(‘adsfasdf‘)
                        yield 11
                        yield 12
                        yield 19
                        
                        
                    g1=func1()
                    g2=func2()
                    
                    g1.send(None)
                    g1.send(None)
                    g2.send(None)

View Code

通过greenlet模块实现一个协程：

from greenlet import greenlet
     

                    def test1():
                        print 12
                        gr2.switch()
                        print 34
                        gr2.switch()
                     
                     
                    def test2():
                        print 56
                        gr1.switch()
                        print 78
                     
                    gr1 = greenlet(test1)
                    gr2 = greenlet(test2)
                    gr1.switch()

View Code

Python内置以及第三方模块提供异步IO请求模块，使用简便大大提高效率，而对于异步IO请求的本质则是【非阻塞Socket】+【IO多路复用】：

 常用的3种：

import asyncio
import requests

@asyncio.coroutine
def fetch_async(func, *args):
    loop = asyncio.get_event_loop()
    future = loop.run_in_executor(None, func, *args)
    response = yield from future
    print(response.url, response.content)

tasks = [
    fetch_async(requests.get, ‘http://www.cnblogs.com/wupeiqi/‘),
    fetch_async(requests.get, ‘http://dig.chouti.com/pic/show?nid=4073644713430508&lid=10273091‘)
]

loop = asyncio.get_event_loop()
results = loop.run_until_complete(asyncio.gather(*tasks))
loop.close()

asyncio+requests

import gevent
import requests
from gevent import monkey

monkey.patch_all()

def fetch_async(method, url, req_kwargs):
    print(method, url, req_kwargs)
    response = requests.request(method=method, url=url, **req_kwargs)
    print(response.url, response.content)

# ##### 发送请求 #####
gevent.joinall([
    gevent.spawn(fetch_async, method=‘get‘, url=‘https://www.python.org/‘, req_kwargs={}),
    gevent.spawn(fetch_async, method=‘get‘, url=‘https://www.yahoo.com/‘, req_kwargs={}),
    gevent.spawn(fetch_async, method=‘get‘, url=‘https://github.com/‘, req_kwargs={}),
])

# ##### 发送请求（协程池控制最大协程数量） #####
# from gevent.pool import Pool
# pool = Pool(None)
# gevent.joinall([
#     pool.spawn(fetch_async, method=‘get‘, url=‘https://www.python.org/‘, req_kwargs={}),
#     pool.spawn(fetch_async, method=‘get‘, url=‘https://www.yahoo.com/‘, req_kwargs={}),
#     pool.spawn(fetch_async, method=‘get‘, url=‘https://www.github.com/‘, req_kwargs={}),
# ])

4.gevent + requests

gevent+requests

                from twisted.web.client import getPage, defer
                from twisted.internet import reactor


                def all_done(arg):
                    reactor.stop()


                def callback(contents):
                    print(contents)


                d_list = []

                url_list = [‘http://www.bing.com‘, ‘http://www.baidu.com‘, ]
                for url in url_list:
                    d = getPage(bytes(url, encoding=‘utf8‘))
                    d.addCallback(callback)

                    d_list.append(d)

                # 用于检查是否页面已经全部下载完成，如果已下载完成那么，就停止循环。
                dlist = defer.DeferredList(d_list)
                dlist.addBoth(all_done) #

                reactor.run()

Twisted示例