鋼鐵知識庫，一個學習python爬蟲、數據分析的知識庫。人生苦短，快用python。 之前我們使用requests庫爬取某個站點的時候，每發出一個請求，程式必須等待網站返迴響應才能接著運行，而在整個爬蟲過程中，整個爬蟲程式是一直在等待的，實際上沒有做任何事情。 像這種占用磁碟/記憶體IO、網路IO的任 ...
鋼鐵知識庫，一個學習python爬蟲、數據分析的知識庫。人生苦短，快用python。
之前我們使用requests庫爬取某個站點的時候，每發出一個請求，程式必須等待網站返迴響應才能接著運行，而在整個爬蟲過程中，整個爬蟲程式是一直在等待的，實際上沒有做任何事情。
像這種占用磁碟/記憶體IO、網路IO的任務，大部分時間是CPU在等待的操作，就叫IO密集型任務。對於這種情況有沒有優化方案呢，當然有，那就是使用aiohttp庫實現非同步爬蟲。
aiohttp是什麼
我們在使用requests請求時，只能等一個請求先出去再回來，才會發送下一個請求。明顯效率不高阿，這時候如果換成非同步請求的方式，就不會有這個等待。一個請求發出去，不管這個請求什麼時間響應，程式通過await掛起協程對象後直接進行下一個請求。
解決方法就是通過 aiohttp + asyncio，什麼是aiohttp？一個基於 asyncio 的非同步 HTTP 網路模塊，可用於實現非同步爬蟲，速度明顯快於 requests 的同步爬蟲。
requests和aiohttp區別
區別就是一個同步一個是非同步。話不多說直接上代碼看效果。
安裝aiohttp
pip install aiohttp
- requests同步示例：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# author: 鋼鐵知識庫
import time
import requests
# 同步請求
def main():
start = time.time()
for i in range(5):
res = requests.get('http://httpbin.org/delay/2')
print(f'當前時間：{datetime.datetime.now()}, status_code = {res.status_code}')
print(f'requests同步耗時：{time.time() - start}')
if __name__ == '__main__':
main()
'''
當前時間：2022-09-05 15:44:51.991685, status_code = 200
當前時間：2022-09-05 15:44:54.528918, status_code = 200
當前時間：2022-09-05 15:44:57.057373, status_code = 200
當前時間：2022-09-05 15:44:59.643119, status_code = 200
當前時間：2022-09-05 15:45:02.167362, status_code = 200
requests同步耗時：12.785893440246582
'''
可以看到5次請求總共用12.7秒，再來看同樣的請求非同步多少時間。
- aiohttp非同步示例：
#!/usr/bin/env python
# file: day6-9同步和非同步.py
# author: 鋼鐵知識庫
import asyncio
import time
import aiohttp
async def async_http():
# 聲明一個支持非同步的上下文管理器
async with aiohttp.ClientSession() as session:
res = await session.get('http://httpbin.org/delay/2')
print(f'當前時間：{datetime.datetime.now()}, status_code = {res.status}')
tasks = [async_http() for _ in range(5)]
start = time.time()
# Python 3.7 及以後,不需要顯式聲明事件迴圈,可以使用 asyncio.run()來代替最後的啟動操作
asyncio.run(asyncio.wait(tasks))
print(f'aiohttp非同步耗時：{time.time() - start}')
'''
當前時間：2022-09-05 15:42:32.363966, status_code = 200
當前時間：2022-09-05 15:42:32.366957, status_code = 200
當前時間：2022-09-05 15:42:32.374973, status_code = 200
當前時間：2022-09-05 15:42:32.384909, status_code = 200
當前時間：2022-09-05 15:42:32.390318, status_code = 200
aiohttp非同步耗時：2.5826876163482666
'''
兩次對比可以看到執行過程，時間一個是順序執行，一個是同時執行。這就是同步和非同步的區別。
aiohttp使用介紹
接下來我們會詳細介紹aiohttp庫的用法和爬取實戰。aiohttp 是一個支持非同步請求的庫，它和 asyncio 配合使用，可以使我們非常方便地實現非同步請求操作。asyncio模塊，其內部實現了對TCP、UDP、SSL協議的非同步操作，但是對於HTTP請求，就需要aiohttp實現了。
aiohttp分為兩部分，一部分是Client，一部分是Server。下麵來說說aiohttp客戶端部分的用法。
基本實例
先寫一個簡單的案例
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author : 鋼鐵知識庫
import asyncio
import aiohttp
async def get_api(session, url):
# 聲明一個支持非同步的上下文管理器
async with session.get(url) as response:
return await response.text(), response.status
async def main():
async with aiohttp.ClientSession() as session:
html, status = await get_api(session, 'http://httpbin.org/delay/2')
print(f'html: {html[:50]}')
print(f'status : {status}')
if __name__ == '__main__':
# Python 3.7 及以後,不需要顯式聲明事件迴圈,可以使用 asyncio.run(main())來代替最後的啟動操作
asyncio.get_event_loop().run_until_complete(main())
'''
html: {
"args": {},
"data": "",
"files": {},
status : 200
Process finished with exit code 0
'''
aiohttp請求的方法和之前有明顯區別，主要包括如下幾點：
- 除了導入aiohttp庫，還必須引入asyncio庫，因為要實現非同步，需要啟動協程。
- 非同步的方法定義不同，前面都要統一加async來修飾。
- with as用於聲明上下文管理器，幫我們自動分配和釋放資源，加上async代碼支持非同步。
- 對於返回協程對象的操作，前面需要加await來修飾。response.text()返回的是協程對象。
- 最後運行啟用迴圈事件
註意：Python3.7及以後的版本中，可以使用asyncio.run(main())代替最後的啟動操作。
URL參數設置
對於URL參數的設置，我們可以藉助params設置，傳入一個字典即可，實例如下：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author : 鋼鐵知識庫
import aiohttp
import asyncio
async def main():
params = {'name': '鋼鐵知識庫', 'age': 23}
async with aiohttp.ClientSession() as session:
async with session.get('https://www.httpbin.org/get', params=params) as res:
print(await res.json())
if __name__ == '__main__':
asyncio.get_event_loop().run_until_complete(main())
'''
{'args': {'age': '23', 'name': '鋼鐵知識庫'}, 'headers': {'Accept': '*/*', 'Accept-Encoding': 'gzip, deflate', 'Host': 'www.httpbin.org', 'User-Agent': 'Python/3.8 aiohttp/3.8.1', 'X-Amzn-Trace-Id': 'Root=1-63162e34-1acf7bde7a6d801368494c72'}, 'origin': '122.55.11.188', 'url': 'https://www.httpbin.org/get?name=鋼鐵知識庫&age=23'}
'''
可以看到實際請求的URL後面帶了尾碼，這就是params的內容。
請求類型
除了get請求，aiohttp還支持其它請求類型，如POST、PUT、DELETE等，和requests使用方式類似。
session.post('http://httpbin.org/post', data=b'data')
session.put('http://httpbin.org/put', data=b'data')
session.delete('http://httpbin.org/delete')
session.head('http://httpbin.org/get')
session.options('http://httpbin.org/get')
session.patch('http://httpbin.org/patch', data=b'data')
要使用這些方法，只需要把對應的方法和參數替換一下。用法和get類似就不再舉例。
響應的幾個方法
對於響應來說，我們可以用如下方法分別獲取其中的響應情況。狀態碼、響應頭、響應體、響應體二進位內容、響應體JSON結果，實例如下：
#!/usr/bin/env python
# @Author : 鋼鐵知識庫
import aiohttp
import asyncio
async def main():
data = {'name': '鋼鐵知識庫', 'age': 23}
async with aiohttp.ClientSession() as session:
async with session.post('https://www.httpbin.org/post', data=data) as response:
print('status:', response.status) # 狀態碼
print('headers:', response.headers) # 響應頭
print('body:', await response.text()) # 響應體
print('bytes:', await response.read()) # 響應體二進位內容
print('json:', await response.json()) # 響應體json數據
if __name__ == '__main__':
asyncio.get_event_loop().run_until_complete(main())
'''
status: 200
headers: <CIMultiDictProxy('Date': 'Tue, 06 Sep 2022 00:18:36 GMT', 'Content-Type': 'application/json', 'Content-Length': '534', 'Connection': 'keep-alive', 'Server': 'gunicorn/19.9.0', 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Credentials': 'true')>
body: {
"args": {},
"data": "",
"files": {},
"form": {
"age": "23",
"name": "\u94a2\u94c1\u77e5\u8bc6\u5e93"
},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Content-Length": "57",
"Content-Type": "application/x-www-form-urlencoded",
"Host": "www.httpbin.org",
"User-Agent": "Python/3.8 aiohttp/3.8.1",
"X-Amzn-Trace-Id": "Root=1-631691dc-6aa1b2b85045a1a0481d06e1"
},
"json": null,
"origin": "122.55.11.188",
"url": "https://www.httpbin.org/post"
}
bytes: b'{\n "args": {}, \n "data": "", \n "files": {}, \n "form": {\n "age": "23", \n "name": "\\u94a2\\u94c1\\u77e5\\u8bc6\\u5e93"\n }, \n "headers": {\n "Accept": "*/*", \n "Accept-Encoding": "gzip, deflate", \n "Content-Length": "57", \n "Content-Type": "application/x-www-form-urlencoded", \n "Host": "www.httpbin.org", \n "User-Agent": "Python/3.8 aiohttp/3.8.1", \n "X-Amzn-Trace-Id": "Root=1-631691dc-6aa1b2b85045a1a0481d06e1"\n }, \n "json": null, \n "origin": "122.5.132.196", \n "url": "https://www.httpbin.org/post"\n}\n'
json: {'args': {}, 'data': '', 'files': {}, 'form': {'age': '23', 'name': '鋼鐵知識庫'}, 'headers': {'Accept': '*/*', 'Accept-Encoding': 'gzip, deflate', 'Content-Length': '57', 'Content-Type': 'application/x-www-form-urlencoded', 'Host': 'www.httpbin.org', 'User-Agent': 'Python/3.8 aiohttp/3.8.1', 'X-Amzn-Trace-Id': 'Root=1-631691dc-6aa1b2b85045a1a0481d06e1'}, 'json': None, 'origin': '122.55.11.188', 'url': 'https://www.httpbin.org/post'}
'''
可以看到有些欄位前面需要加await，因為其返回的是一個協程對象(如async修飾的方法)，那麼前面就要加await。
超時設置
我們可以藉助ClientTimeout對象設置超時，例如要設置1秒的超時時間，可以這麼實現：
#!/usr/bin/env python
# @Author : 鋼鐵知識庫
import aiohttp
import asyncio
async def main():
# 設置 1 秒的超時
timeout = aiohttp.ClientTimeout(total=1)
data = {'name': '鋼鐵知識庫', 'age': 23}
async with aiohttp.ClientSession(timeout=timeout) as session:
async with session.get('https://www.httpbin.org/delay/2', data=data) as response:
print('status:', response.status) # 狀態碼
if __name__ == '__main__':
asyncio.get_event_loop().run_until_complete(main())
'''
Traceback (most recent call last):
####中間省略####
raise asyncio.TimeoutError from None
asyncio.exceptions.TimeoutError
'''
這裡設置了超時1秒請求延時2秒，發現拋出異常asyncio.TimeoutError，如果正常則響應200。
併發限制
aiohttp可以支持非常高的併發量，但面對高併發網站可能會承受不住，隨時有掛掉的危險，這時需要對併發進行一些控制。現在我們藉助asyncio 的Semaphore來控制併發量，實例如下：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author : 鋼鐵知識庫
import asyncio
from datetime import datetime
import aiohttp
# 聲明最大併發量
semaphore = asyncio.Semaphore(2)
async def get_api():
async with semaphore:
print(f'scrapting...{datetime.now()}')
async with session.get('https://www.baidu.com') as response:
await asyncio.sleep(2)
# print(f'當前時間：{datetime.now()}, {response.status}')
async def main():
global session
session = aiohttp.ClientSession()
tasks = [asyncio.ensure_future(get_api()) for _ in range(1000)]
await asyncio.gather(*tasks)
await session.close()
if __name__ == '__main__':
asyncio.get_event_loop().run_until_complete(main())
'''
scrapting...2022-09-07 08:11:14.190000
scrapting...2022-09-07 08:11:14.292000
scrapting...2022-09-07 08:11:16.482000
scrapting...2022-09-07 08:11:16.504000
scrapting...2022-09-07 08:11:18.520000
scrapting...2022-09-07 08:11:18.521000
'''
在main方法里，我們聲明瞭1000個task，如果沒有通過Semaphore進行併發限制，那這1000放到gather方法後會被同時執行，併發量相當大。有了信號量的控制之後，同時運行的task數量就會被控制，這樣就能給aiohttp限制速度了。
aiohttp非同步爬取實戰
接下來我們通過非同步方式練手一個小說爬蟲，需求如下：
需求頁面：https://dushu.baidu.com/pc/detail?gid=4308080950
目錄介面：https://dushu.baidu.com/api/pc/getCatalog?data={"book_id":"4308080950"}
詳情介面：https://dushu.baidu.com/api/pc/getChapterContent?data={"book_id":"4295122774","cid":"4295122774|116332"}
關鍵參數：book_id：小說ID、cid：章節id
採集要求：使用協程方式寫入，數據存放進mongo
需求分析：點開需求頁面，通過F12抓包可以發現兩個介面。一個目錄介面，一個詳情介面。
首先第一步先請求目錄介面拿到cid章節id，然後將cid傳遞給詳情介面拿到小說數據，最後存入mongo即可。
話不多說，直接上代碼：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author : 鋼鐵知識庫
# 不合適就是不合適，真正合適的，你不會有半點猶豫。
import asyncio
import json,re
import logging
import aiohttp
import requests
from utils.conn_db import ConnDb
# 日誌格式
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s: %(message)s')
# 章節目錄api
b_id = '4308080950'
url = 'https://dushu.baidu.com/api/pc/getCatalog?data={"book_id":"'+b_id+'"}'
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "
"Chrome/104.0.0.0 Safari/537.36"
}
# 併發聲明
semaphore = asyncio.Semaphore(5)
async def download(title,b_id, cid):
data = {
"book_id": b_id,
"cid": f'{b_id}|{cid}',
}
data = json.dumps(data)
detail_url = 'https://dushu.baidu.com/api/pc/getChapterContent?data={}'.format(data)
async with semaphore:
async with aiohttp.ClientSession(headers=headers) as session:
async with session.get(detail_url) as response:
res = await response.json()
content = {
'title': title,
'content': res['data']['novel']['content']
}
# print(title)
await save_data(content)
async def save_data(data):
if data:
client = ConnDb().conn_motor_mongo()
db = client.baidu_novel
collection = db.novel
logging.info('saving data %s', data)
await collection.update_one(
{'title': data.get('title')},
{'$set': data},
upsert=True
)
async def main():
res = requests.get(url, headers=headers)
tasks = []
for re in res.json()['data']['novel']['items']: # 拿到某小說目錄cid
title = re['title']
cid = re['cid']
tasks.append(download(title, b_id, cid)) # 將請求放到列表裡，再通過gather執行併發
await asyncio.gather(*tasks)
if __name__ == '__main__':
asyncio.run(main())
至此，我們就使用aiohttp完成了對小說章節的爬取。
要實現非同步處理，得先要有掛起操作，當一個任務需要等待 IO 結果的時候，可以掛起當前任務，轉而去執行其他任務，這樣才能充分利用好資源，要實現非同步，需要瞭解 await 的用法，使用 await 可以將耗時等待的操作掛起，讓出控制權。當協程執行的時候遇到 await，時間迴圈就會將本協程掛起，轉而去執行別的協程，直到其他的協程掛起或執行完畢。
await 後面的對象必須是如下格式之一：
- A native coroutine object returned from a native coroutine function，一個原生 coroutine 對象。
- A generator-based coroutine object returned from a function decorated with types.coroutine，一個由 types.coroutine 修飾的生成器，這個生成器可以返回 coroutine 對象。
- An object with an await method returning an iterator，一個包含 await 方法的對象返回的一個迭代器。
---- 20220909 鋼鐵知識庫
總結
以上就是藉助協程async和非同步aiohttp兩個主要模塊完成非同步爬蟲的內容，
aiohttp 以非同步方式爬取網站的耗時遠小於 requests 同步方式，以上列舉的例子希望對你有幫助。
註意，線程和協程是兩個概念，後面找機會我們再聊聊進程和線程、線程和協程的關係。
