Python自动化开发学习-爬虫3
- 2020 年 1 月 6 日
- 笔记
爬取多个网页
讲师的博客：https://www.cnblogs.com/wupeiqi/p/6229292.html 在编写爬虫时，性能的消耗主要在IO请求中，当单进程单线程模式下请求URL时必然会引起等待，从而使得请求整体变慢。 比如找10个国外的资源爬取，慢的效果就很明显。
串行的方式
直接用一个for循环，把所有的请求串起来一次执行。这样的效率会很低：
import requests from bs4 import BeautifulSoup url_list = [ 'https://github.com/explore', 'https://www.djangoproject.com/', 'http://www.python-requests.org/en/master/', 'https://jquery.com/', 'https://getbootstrap.com/', 'https://www.solarwinds.com/', 'https://www.zabbix.com/', 'http://open-falcon.org/', 'https://www.python.org/', 'http://www.jetbrains.com/', ] if __name__ == '__main__': for url in url_list: r = requests.get(url) r.encoding = 'utf-8' soup = BeautifulSoup(r.text, features='html.parser') title = soup.find('title') print(title)
多线程（多进程）
下面是使用线程池（进程池）实现的方式。这里多进程和多线程的效果一样，但是线程更省资源。
import requests from bs4 import BeautifulSoup from concurrent.futures import ThreadPoolExecutor # from concurrent.futures import ProcessPoolExecutor # 进程池 url_list = [ 'https://github.com/explore', # 省略多个url 'http://www.jetbrains.com/', ] def fetch_request(url): r = requests.get(url) r.encoding = 'utf-8' soup = BeautifulSoup(r.text, features='html.parser') title = soup.find('title') print(title) if __name__ == '__main__': pool = ThreadPoolExecutor(10) # pool = ProcessPoolExecutor(10) # 进程池 for url in url_list: pool.submit(fetch_request, url) pool.shutdown(True)
多线程 + 回调函数
上面的例子用到的模块，还支持使用回调函数，把代码稍稍改一下：
import requests from bs4 import BeautifulSoup from concurrent.futures import ProcessPoolExecutor url_list = [ 'https://github.com/explore', # 省略多个url 'http://www.jetbrains.com/', ] def fetch_request(url): response = requests.get(url) response.encoding = 'utf-8' soup = BeautifulSoup(response.text, features='html.parser') title = soup.find('title') return str(title) # 这里返回的，就是下面回调函数的入参。不转str会报错 def callback(result): print(result.result()) if __name__ == '__main__': pool = ProcessPoolExecutor(10) for url in url_list: v = pool.submit(fetch_request, url) v.add_done_callback(callback) pool.shutdown(True)
多进程和多线程的回调函数用法也是一样的。 这里简单的需求，是不需要用到回调函数。不过作为线程池的一个用法，多一个示例。
异步IO
多线程和多进程的缺点是在IO阻塞时会造成了线程和进程的浪费，所以异步IO是更好的方式。 异步IO请求的本质则是非阻塞Socket + IO多路复用。这里只需要一个线程，而每一个请求则是一个协程。 下面就是各种Python内置以及第三方提供的异步IO请求模块。这些模块，使用简便，大大提高效率。
asyncio 模块
这个是内置模块 先看下模块是怎么调用的。这里是python3.4版本的用法，到3.5版本有新的 async/await 关键字可以用。不过向下兼容，旧的装饰器的 asyncio/yield from 的用法还是可以使用的。 用法示例：
import asyncio @asyncio.coroutine def func(n): print('before func %s...' % n) yield from asyncio.sleep(3) print('end func %s...' % n) if __name__ == '__main__': tasks = [] for i in range(5): tasks.append(func(i)) loop = asyncio.get_event_loop() loop.run_until_complete(asyncio.gather(*tasks)) loop.close()
这里注意一下装饰器和被它装饰的函数。在tasks.append()里，添加的是函数的调用，添加的是func()而不是func，带括号的。所以一般情况下是要执行这个函数。当然这里给函数加了装饰器，就不会直接执行了，而是等到下面在执行的。
通过TCP发送HTTP请求 asyncio模块只提供了发送tcp的功能，无法直接发送http请求。不过在理解了Web服务的本质的基础上，http本质上还是tcp。http请求还是通过tcp发送字符串，只是字符串有特定的格式。字符串分为请求头和请求体，请求头和请求体之间使用 "/r/n/r/n" 分隔，而请求头和请求头之间使用 "/r/n" 分隔。下面就是一个基本的GET请求的格式：
""" GET /index HTTP/1.0rn HOST: 1.1.1.1 rnrn """
所以只要按上面的方式对字符串进行封装，然后通过tcp发送，这就是http了。下面这个就是用 asyncio 手动封装http报头的示例：
import asyncio from bs4 import BeautifulSoup url_list = [ ('www.python-requests.org', '/en/master/'), ('open-falcon.org', '/'), ('www.jetbrains.com', '/'), ('www.nga.cn', '/'), ('edu.51cto.com', '/'), ] @asyncio.coroutine def fetch_async(host, url): reader, writer = yield from asyncio.open_connection(host, 80) # 建立tcp连接 request_header_content = "GET %s HTTP/1.0rnHost: %srnrn" % (url, host) # 这个是GET请求 request_header_content = request_header_content.encode('utf-8') # 最终发送的是bytes类型 writer.write(request_header_content) # 发出请求 yield from writer.drain() text = yield from reader.read() # 接收到的当然也是bytes类型 text = text.decode('utf-8') soup = BeautifulSoup(text, features='html.parser') title = soup.find('title') print(title) writer.close() if __name__ == '__main__': tasks = [] for host, url in url_list: tasks.append(fetch_async(host, url)) loop = asyncio.get_event_loop() loop.run_until_complete(asyncio.gather(*tasks)) loop.close()
通过TCP发送HTTPS 上面这样只能发http请求。https主要是2个差别，默认的端口号是443，还有就是需要ssl。好在 asyncio.open_connection 是提供支持ssl的，只需要加上ssl=True的参数（这个参数的默认是False，所以上面不用指定）。下面是支持https的版本：
import asyncio from bs4 import BeautifulSoup url_list = [ 'https://github.com/explore', # 省略多个url 'http://www.jetbrains.com/', ] @asyncio.coroutine def fetch_async(host, url='/', port=80, ssl=False): reader, writer = yield from asyncio.open_connection(host, port, ssl=ssl) # 建立tcp连接 request_header_content = "GET %s HTTP/1.0rnHost: %srnrn" % (url, host) # 这个是GET请求 request_header_content = request_header_content.encode('utf-8') # 最终发送的是bytes类型 writer.write(request_header_content) # 发出请求 yield from writer.drain() text = yield from reader.read() # 接收到的当然也是bytes类型 text = text.decode('utf-8') soup = BeautifulSoup(text, features='html.parser') title = soup.find('title') print(title) writer.close() if __name__ == '__main__': from urllib.parse import urlparse tasks = [] for url in url_list: url_parse = urlparse(url) if url_parse.scheme == "https": tasks.append(fetch_async(url_parse.netloc, url_parse.path, 443, True)) else: tasks.append(fetch_async(url_parse.netloc, url_parse.path)) loop = asyncio.get_event_loop() loop.run_until_complete(asyncio.gather(*tasks)) loop.close()
asyncio + aiohttp
讲师博客里的代码是版本的问题，运行不了会报错。因为从 python3.5 开始，引入了 async/await 。大概记录一下原因：
在Python3.5以后，原生协程不能用于迭代，未被装饰的生成器不能yield from一个原生协程
什么是原生协程？用async关键字定义的就是原生线程。asyncio是Python 3.4版本引入的标准库，是用装饰器的方式来定义协程的（上面的例子就是）。到了python3.5版本，引入了async关键字来定义协程，并且向下兼容，之前的装饰器的方法也能用。 再来看一下aiohttp模块。粗略的看一下源码，旧版本（2.x及之前），用的是 asyncio/yield from 。3.x版本开始，都改用 async/await 了。旧版的 yield from 是不能调用新版的用async关键字定义的原生协程的，所以会报错。 之前的例子用的是 asyncio/yield from ，但是这里的 aishttp 用的是 async/await ，所以无法再用 yield from 了。下面是用 async/await 的例子：
import aiohttp import asyncio from bs4 import BeautifulSoup url_list = [ 'https://github.com/explore', # 省略多个url 'http://www.jetbrains.com/', ] async def fetch_async(url): async with aiohttp.request('GET', url) as r: text = await r.text('utf-8') soup = BeautifulSoup(text, features='html.parser') title = soup.find('title') print(title) if __name__ == '__main__': tasks = [] for url in url_list: tasks.append(fetch_async(url)) loop = asyncio.get_event_loop() loop.run_until_complete(asyncio.gather(*tasks)) loop.close()
后面的例子还会继续用到 asyncio/yield from ，而且这个例子也不好找。 不过 async/await 才是推荐的用法，好在改一下也不难，而且网上例子也多。
asyncio + requests
import asyncio import requests from bs4 import BeautifulSoup url_list = [ 'https://github.com/explore', # 省略多个url 'http://www.jetbrains.com/', ] @asyncio.coroutine def fetch_async(func, *args): loop = asyncio.get_event_loop() future = loop.run_in_executor(None, func, *args) response = yield from future response.encoding = 'utf-8' soup = BeautifulSoup(response.text, features='html.parser') title = soup.find('title') print(title) if __name__ == '__main__': tasks = [] for url in url_list: tasks.append(fetch_async(requests.get, url)) loop = asyncio.get_event_loop() loop.run_until_complete(asyncio.gather(*tasks)) loop.close()
gevent + requests
from bs4 import BeautifulSoup import gevent from gevent import monkey monkey.patch_all() # 必须放在requests模块导入前 import requests url_list = [ 'https://github.com/explore', # 省略多个url 'http://www.jetbrains.com/', ] def fetch_request(url): r = requests.get(url) r.encoding = 'utf-8' soup = BeautifulSoup(r.text, features='html.parser') title = soup.find('title') print(title) if __name__ == '__main__': g_list = [] for url in url_list: g_list.append(gevent.spawn(fetch_request, url=url)) gevent.joinall(g_list)
grequests
grequests 模块，就是 gevent + requests 。有人用代码又把这两个模块再封装了一层。就写个例子：
import grequests from bs4 import BeautifulSoup url_list = [ 'https://github.com/explore', # 省略多个url 'http://www.jetbrains.com/', ] def exception_handler(request, exception): print(request, exception) print("Request failed") def callback(r, *args, **kwargs): r.encoding = 'utf-8' soup = BeautifulSoup(r.text, features='html.parser') title = soup.find('title') print(title) if __name__ == '__main__': request_list = [grequests.get(url, timeout=10, callback=callback) for url in url_list] response_list = grequests.map(request_list, exception_handler=exception_handler, gtimeout=10) print(response_list)
之前用for循环写列表太Low了，这里用列表生成式的写法。grequests.get里的timeout是单个任务的超时时间，grequests.map里的gtimeout则是整体任务的超时时间。 exception_handler方法是请求有异常时的处理方法。如果单个任务超时，就会抛出异常，如果任务整体超时，则还没有结束的任务返回None，没有异常。
Twisted
直接安装模块会报错，去官网翻了一下 http://twistedmatrix.com 。找到了pip的安装方法
The recommended way is to run pip install Twisted, preferably inside a virtualenv. On Linux, and BSDs, you will need a C compiler (such as GCC). On macOS you will need to run xcode-select –install. If you are installing on Windows, pip install Twisted[windows_platform] will install the Windows-specific requirements.
所以应该用下面的命令，安装windwos用的版本：
pip install -i https://mirrors.163.com/pypi/simple Twisted[windows_platform]
但是还是不行，错误信息如下：
error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": http://landinghub.visualstudio.com/visual-cpp-build-tools
Twisted 模块安装 最终在网上找到解决方法，就是本地安装。先去下载这个模块对应版本的whl文件： https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted 然后用 pip 执行本地安装：
pip install E:/Downloads/Twisted-18.9.0-cp36-cp36m-win_amd64.whl
发GET请求
from bs4 import BeautifulSoup from twisted.web.client import getPage, defer from twisted.internet import reactor url_list = [ 'https://github.com/explore', # 略多个url 'http://www.jetbrains.com/', ] def all_done(arg): reactor.stop() def callback(contents): soup = BeautifulSoup(contents, features='html.parser') title = soup.find('title') print(title) if __name__ == '__main__': deferred_list = [] for url in url_list: deferred = getPage(url.encode('utf-8')) # 发请求 deferred.addCallback(callback) # 请求返回后的回调函数 deferred_list.append(deferred) # 把所有的请求加到列表里，后面要检测 dlist = defer.DeferredList(deferred_list) # 检测所有的请求 dlist.addBoth(all_done) # 检测到所有请求都执行完，执行的方法 reactor.run() # 开启一个死循环，不停的执行，all_done函数里的stop()方法会停止这个循环
发POST请求
from twisted.internet import reactor from twisted.web.client import getPage import urllib.parse def one_done(arg): print(arg) print(arg.decode()) reactor.stop() post_data = urllib.parse.urlencode({'check_data': 'TEST'}) post_data = post_data.encode('utf-8') headers = {b'Content-Type': b'application/x-www-form-urlencoded'} response = getPage(b'http://dig.chouti.com/login', method=b'POST', postdata=post_data, cookies={}, headers=headers) response.addBoth(one_done) reactor.run()
tornado
这里只有个例子，之后可能还要再学一下：
from bs4 import BeautifulSoup from tornado.httpclient import AsyncHTTPClient from tornado.httpclient import HTTPRequest from tornado import ioloop url_list = [ 'https://github.com/explore', 'https://www.djangoproject.com/', 'http://www.python-requests.org/en/master/', 'https://jquery.com/', 'https://getbootstrap.com/', 'https://www.solarwinds.com/', 'https://www.zabbix.com/', 'http://open-falcon.org/', 'https://www.python.org/', 'http://www.jetbrains.com/', ] def asynchronous_fetch(): http_client = AsyncHTTPClient() # 创建一个函数内的函数，来处理返回的结果 def handle_response(response): """ 处理返回值内容（需要维护计数器，来停止IO循环），调用 ioloop.IOLoop.current().stop() :param response: :return: """ if response.error: print("Error:", response.error) else: # print(response.headers) # print(response.body) soup = BeautifulSoup(response.body, features='html.parser') title = soup.find('title') print(title) # 自己加的停止的方法，实现方法可能不是很正规 # print(response.effective_url) curr_url = response.effective_url if curr_url in url_list: url_list.remove(curr_url) if not url_list: ioloop.IOLoop.current().stop() for url in url_list: # 异步处理结束后会调用指定的callback的函数 http_client.fetch(HTTPRequest(url), callback=handle_response) # 下面这句和上面效果一样，模块内部会判断参数的isinstance是否是HTTPRequest # 如果不是则，HTTPRequest(url, **kwargs) # 这里的**kwargs，就是如果要给请求加任何参数，就用关键参数传参 # http_client.fetch(url, callback=handle_response) if __name__ == '__main__': ioloop.IOLoop.current().add_callback(asynchronous_fetch) ioloop.IOLoop.current().start()
