爬虫-高性能异步爬虫

Posted 2020-11-26 liuxu2019

异步爬虫方式

目的：在爬虫中使用异步实现高性能的数据爬取操作

异步爬虫方式：

• 多进程，多线程（不建议）

  好处：可以为先关阻塞操作单独开启进程或者线程，阻塞操作就可以异步执行

  坏处：无法无限制开启

• 线程池，进程池（适当使用）

  好处：可以降低系统对进程或者线程创建和销毁的评率，进而降低系统开销

  坏处：池中线程或进程的数量有上线

• 单线程+异步协程（推荐）

  event_loop：事件循环，相当于一个无限循环，我们可以把一些函数注册到这个事件循环上，
  当满足某些条件的时候，函数就会被循环执行。

  coroutine：协程对象，我们可以将协程对象注册到事件循环中，它会被事件循环调用。
  我们可以使用 async 关键字来定义一个方法，这个方法在调用时不会立即被执行，而是返回
  一个协程对象。
  
  task：任务，它是对协程对象的进一步封装，包含了任务的各个状态。
  
  future：代表将来执行或还没有执行的任务，实际上和 task 没有本质区别。
  
  async 定义一个协程.
  
  await 用来挂起阻塞方法的执行。

线程池基本使用

#使用线程池方式执行
import time
from multiprocessing.dummy import Pool

def get_page(str):
    print("正在下载 ：",str)
    time.sleep(2)
    print('下载成功：',str)

start_time = time.time()
name_list =['xiaozi','aa','bb','cc']
#实例化一个线程池对象
pool = Pool(4)
#将列表中每一个列表元素传递给get_page进行处理。
pool.map(get_page,name_list)
pool.close()
pool.join()

print(time.time()-start_time)

线程池实现：爬取梨视频

import requests, re
from lxml import etree
from multiprocessing.dummy import Pool

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/79.0.3945.79 Safari/537.36"
}

url = "https://www.pearvideo.com/category_4"

page_text = requests.get(url=url, headers=headers).text
tree = etree.HTML(page_text)
li_list = tree.xpath('//*[@id="listvideoListUl"]/li')

video_urls_list = []

for li in li_list:
   detail_url = 'https://www.pearvideo.com/' + li.xpath('./div/a/@href')[0]
   detail_page_text = requests.get(url=detail_url, headers=headers).text
   tree = etree.HTML(detail_page_text)
   video_name = tree.xpath('//*[@id="poster"]/img/@alt')[0] + ".mp4"
   # js动态加载，只能使用正则解析video_url
   ex = 'srcUrl="(.*?)",vdoUrl'
   video_url = re.findall(ex, detail_page_text)[0]
   video_info = {
       "name": video_name,
       "url": video_url
   }
   video_urls_list.append(video_info)


def get_video_data(dic):
    url = dic["url"]
    name = dic["name"]
    print(name, "正在下载...")
    video_data = requests.get(url=url, headers=headers).content
    with open(name, "wb") as fp:
        fp.write(video_data)
        print(name, "正在成功")


pool = Pool(4)
pool.map(get_video_data, video_urls_list)
pool.close()
pool.join()

协程的基本使用

单任务协程使用

import asyncio

async def request(url):
    print('正在请求的url是',url)
    print('请求成功,',url)
    return url

#async修饰的函数，调用之后返回的一个协程对象
c = request('www.baidu.com')

# # 创建一个事件循环对象
# loop = asyncio.get_event_loop()
# # 将协程对象注册到事件循环对象，即loop中
# # 此步骤既注册，又启动了事件循环
# loop.run_until_complete(c)

# task的使用 task是对协程对象的进一步封装
# loop = asyncio.get_event_loop()
# task = loop.create_task(c)
# print(task)
# loop.run_until_complete(task)
# print(task)

# future的使用 future也是协程对象的进一步封装 与task无本质区别
# loop = asyncio.get_event_loop()
# task = asyncio.ensure_future(c)
# print(task)
# loop.run_until_complete(task)
# print(task)

# 绑定回调
def callback_fun(task):
    # result返回的就是任务对象中封装的协程对象对应函数的返回值
    print(task.result())

loop = asyncio.get_event_loop()
task = asyncio.ensure_future(c)

# 任务对象执行前绑定回调函数
task.add_done_callback(callback_fun)

# 执行任务对象
loop.run_until_complete(task)

多任务协程使用

多任务：任务列表注册使用wait：loop.run_until_complete(asyncio.wait(tasks))

requests.get是基于同步的请求，必须使用基于异步的网络请求模块进行制定url的请求发送

aiohttp: 基于异步网络请求的模块

# 使用Flask模拟服务器
import asyncio
import requests
import time

start = time.time()
urls = [
    'http://127.0.0.1:5000/bobo',
    'http://127.0.0.1:5000/jay',
    'http://127.0.0.1:5000/tom',
]

async def get_page(url):
    print('正在下载', url)
    #requests.get是基于同步的请求，必须使用基于异步的网络请求模块进行制定url的请求发送
    #aiohttp: 基于异步网络请求的模块
    response = requests.get(url=url)
    print('下载完毕', response.text)
# 将任务添加到任务列表
tasks = [asyncio.ensure_future(get_page(url)) for url in urls]
#将任务列表注册到事件循环对象
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))

print('总耗时:', time.time()-start)

多任务异步协程使用

使用模块 aiohttp

获取响应数据操作之前一定要使用await进行手动挂起 await

# 环境安装：pip install aiohttp
# 使用该模块中的ClientSession
import requests
import asyncio
import time
import aiohttp

async def get_page(url):
    async with aiohttp.ClientSession() as session:
        # get()、post():
        # headers,关键字传参
        # params/data,
        # proxy='http://ip:port',不在是字典
        async with await session.get(url) as response:
            # text()返回字符串形式的响应数据
            # read()返回的二进制形式的响应数据
            # json()返回的就是json对象
            # 注意：获取响应数据操作之前一定要使用await进行手动挂起
            page_text = await response.text()
            print(page_text)

start = time.time()
urls = ['http://127.0.0.1:5000/bobo' for i in range(10)]
tasks = [asyncio.ensure_future(get_page(url)) for url in urls]

loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))

print('总耗时:', time.time()-start)

实战：爬取4k美女图片

知识点：xpath数据解析、多任务异步协程爬取、函数封装

import requests
from lxml import etree
import time, os
import asyncio
import aiohttp

start = time.time()
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.79 Safari/537.36"
}
if not os.path.exists('./libs'):
    os.mkdir('./libs')

def get_img_info(page_url, pic_info_list):
    """
    获取图片信息
    :param page_url: 页面url
    :param pic_info_list: 把图片url和图片名以字典的形式存放在pic_info_list列表中
    :return: 
    """
    url = page_url
    page_text = requests.get(url=url, headers=headers).text
    tree = etree.HTML(page_text)
    li_list = tree.xpath('//div[@class="slist"]/ul/li')
    for li in li_list:
        img_src = 'http://pic.netbian.com' + li.xpath('./a/img/@src')[0]
        name = li.xpath('./a/img/@alt')[0].encode('iso-8859-1').decode('gbk')
        pic_info_list.append({"url": img_src, "name": name})

        # 同步爬取
        # data = requests.get(url=img_src).content
        # path = './libs/'+name
        # with open(path,'wb') as fp:
        #     fp.write(data)
        #     print(name,'下载成功')


# 一下是异步爬取的代码
async def down_img(dic):
    """
    多任务异步协程下载图片
    :param dic: 
    :return: 
    """
    img_url = dic["url"]
    img_name = dic["name"]
    async with aiohttp.ClientSession() as session:
        async with await session.get(url=img_url, headers=headers) as response:
            img_data = await response.read()
            with open(f"libs/{img_name}.jpg", "wb") as fp:
                fp.write(img_data)
                print(f"{img_name}, 下载成功！！！")


url1 = 'http://pic.netbian.com/4kmeinv/index.html'
url2 = 'http://pic.netbian.com/4kmeinv/index_%d.html'

pic_info_list = []

# 第一页图片
get_img_info(url1, pic_info_list)
# 第2-4页图片
for page in range(2,5):
    new_url = format(url2 % page)
    get_img_info(new_url, pic_info_list)

# 多任务异步协程启动
tasks = [asyncio.ensure_future(down_img(dic)) for dic in pic_info_list]
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))

print('总耗时：', time.time()-start)