为 aiohttp 爬虫注入灵魂

Posted 2020-12-21

为 aiohttp 爬虫注入灵魂

摄影：产品经理
与产品经理在苏州的小生活
听说过异步爬虫的同学，应该或多或少听说过aiohttp这个库。它通过 Python 自带的async/await实现了异步爬虫。

使用 aiohttp，我们可以通过 requests 的api写出并发量匹敌 Scrapy 的爬虫。

我们在 aiohttp 的官方文档上面，可以看到它给出了一个代码示例，如下图所示：

我们现在稍稍修改一下，来看看这样写爬虫，运行效率如何。

修改以后的代码如下：

import asyncio
import aiohttp

template = ‘http://exercise.kingname.info/exercise_middleware_ip/{page}‘

async def get(session, page):
    url = template.format(page=page)
    resp = await session.get(url)
    print(await resp.text(encoding=‘utf-8‘))

async def main():
    async with aiohttp.ClientSession() as session:
        for page in range(100):
            await get(session, page)

loop = asyncio.get_event_loop()
loop.run_until_complete(main())

这段代码访问我的爬虫练习站100次，获取100页的内容。

大家可以通过下面这个视频看看它的运行效率：

可以说，目前这个运行速度，跟 requests 写的单线程爬虫几乎没有区别，代码还多了那么多。

那么，应该如何正确释放 aiohttp 的超能力呢？

我们现在把代码做一下修改：

import asyncio
import aiohttp

template = ‘http://exercise.kingname.info/exercise_middleware_ip/{page}‘

async def get(session, queue):
    while True:
        try:
            page = queue.get_nowait()
        except asyncio.QueueEmpty:
            return
        url = template.format(page=page)
        resp = await session.get(url)
        print(await resp.text(encoding=‘utf-8‘))

async def main():
    async with aiohttp.ClientSession() as session:
        queue = asyncio.Queue()
        for page in range(1000):
            queue.put_nowait(page)
        tasks = []
        for _ in range(100):
            task = get(session, queue)
            tasks.append(task)
        await asyncio.wait(tasks)

loop = asyncio.get_event_loop()
loop.run_until_complete(main())

在修改以后的代码里面，我让这个爬虫爬1000页的内容，我们来看看下面这个视频。

可以看到，目前这个速度已经可以跟 Scrapy 比一比了。并且大家需要知道，这个爬虫只有1个进程1个线程，它是通过异步的方式达到这个速度的。

那么，修改以后的代码，为什么速度能快那么多呢？

关键的代码，就在：

tasks = []
for _ in range(100):
    task = get(session, queue)
    tasks.append(task)
await asyncio.wait(tasks)

在慢速版本里面，我们只有1个协程在运行。而在现在这个快速版本里面，我们创建了100个协程，并把它提交给asyncio.wait来统一调度。asyncio.wait会在所有协程全部结束的时候才返回。

我们把1000个 URL 放在asyncio.Queue生成的一个异步队列里面，每一个协程都通过 while True 不停从这个异步队列里面取 URL 并进行访问，直到异步队列为空，退出。

当程序运行时，Python 会自动调度这100个协程，当一个协程在等待网络 IO 返回时，切换到第二个协程并发起请求，在这个协程等待返回时，继续切换到第三个协程并发起请求……。程序充分利用了网络 IO 的等待时间，从而大大提高了运行速度。

最后，感谢实习生小河给出的这种加速方案。