Python網絡爬蟲的同步和異步
一、同步與異步
#同步編程（同一時間只能做一件事，做完了才能做下一件事情）
<-a_url-><-b_url-><-c_url->
#異步編程 (可以近似的理解成同一時間有多個事情在做，但有先后)
<-a_url->
<-b_url->
<-c_url->
<-d_url->
<-e_url->
<-f_url->
<-g_url->
<-h_url->
<--i_url-->
<--j_url-->
模板
import asyncio
#函數名:做現在的任務時不等待，能繼續做別的任務。
async def donow_meantime_dontwait(url):
response = await requests.get(url)
#函數名:快速高效的做任務
async def fast_do_your_thing():
await asyncio.wait([donow_meantime_dontwait(url) for url in urls])
#下面兩行都是套路，記住就好
loop = asyncio.get_event_loop()
loop.run_until_complete(fast_do_your_thing())
tips:
await表達式中的對象必須是awaitable
requests不支持非阻塞
aiohttp是用于異步請求的庫
代碼
import asyncio
import requests
import time
import aiohttp
urls = ['https://book.douban.com/tag/小說','https://book.douban.com/tag/科幻',
'https://book.douban.com/tag/漫畫','https://book.douban.com/tag/奇幻',
'https://book.douban.com/tag/歷史','https://book.douban.com/tag/經濟學']
async def requests_meantime_dont_wait(url):
print(url)
async with aiohttp.ClientSession() as session:
async with session.get(url) as resp:
print(resp.status)
print("{url} 得到響應".format(url=url))
async def fast_requsts(urls):
start = time.time()
await asyncio.wait([requests_meantime_dont_wait(url) for url in urls])
end = time.time()
print("Complete in {} seconds".format(end - start))
loop = asyncio.get_event_loop()
loop.run_until_complete(fast_requsts(urls))
gevent簡介
gevent是一個python的并發庫，它為各種并發和網絡相關的任務提供了整潔的API。
gevent中用到的主要模式是greenlet，它是以C擴展模塊形式接入Python的輕量級協程。 greenlet全部運行在主程序操作系統進程的內部，但它們被協作式地調度。
猴子補丁
requests庫是阻塞式的，為了將requests同步更改為異步。只有將requests庫阻塞式更改為非阻塞，異步操作才能實現。
而gevent庫中的猴子補丁（monkey patch），gevent能夠修改標準庫里面大部分的阻塞式系統調用。這樣在不改變原有代碼的情況下，將應用的阻塞式方法，變成協程式的（異步）。
代碼
from gevent import monkey
import gevent
import requests
import time
monkey.patch_all()
def req(url):
print(url)
resp = requests.get(url)
print(resp.status_code,url)
def synchronous_times(urls):
"""同步請求運行時間"""
start = time.time()
for url in urls:
req(url)
end = time.time()
print('同步執行時間 {} s'.format(end-start))
def asynchronous_times(urls):
"""異步請求運行時間"""
start = time.time()
gevent.joinall([gevent.spawn(req,url) for url in urls])
end = time.time()
print('異步執行時間 {} s'.format(end - start))
urls = ['https://book.douban.com/tag/小說','https://book.douban.com/tag/科幻',
'https://book.douban.com/tag/漫畫','https://book.douban.com/tag/奇幻',
'https://book.douban.com/tag/歷史','https://book.douban.com/tag/經濟學']
synchronous_times(urls)
asynchronous_times(urls)
gevent：異步理論與實戰
gevent庫中使用的最核心的是Greenlet-一種用C寫的輕量級python模塊。在任意時間，系統只能允許一個Greenlet處于運行狀態
一個greenlet遇到IO操作時，比如訪問網絡，就自動切換到其他的greenlet，等到IO操作完成，再在適當的時候切換回來繼續執行。由于IO操作非常耗時，經常使程序處于等待狀態，有了gevent為我們自動切換協程，就保證總有greenlet在運行，而不是等待IO。
串行和異步
高并發的核心是讓一個大的任務分成一批子任務，并且子任務會被被系統高效率的調度，實現同步或者異步。在兩個子任務之間切換，也就是經常說到的上下文切換。
同步就是讓子任務串行，而異步有點影分身之術，但在任意時間點，真身只有一個，子任務并不是真正的并行，而是充分利用了碎片化的時間，讓程序不要浪費在等待上。這就是異步，效率杠桿的。
gevent中的上下文切換是通過yield實現。在這個例子中，我們會有兩個子任務，互相利用對方等待的時間做自己的事情。這里我們使用gevent.sleep(0)代表程序會在這里停0秒。
import gevent
def foo():
print('Running in foo')
gevent.sleep(0)
print('Explicit context switch to foo again')
def bar():
print('Explicit context to bar')
gevent.sleep(0)
print('Implicit context switch back to bar')
gevent.joinall([
gevent.spawn(foo),
gevent.spawn(bar)
])
運行的順序：
Running in foo
Explicit context to bar
Explicit context switch to foo again
Implicit context switch back to bar
同步異步的順序問題
同步運行就是串行，123456...，但是異步的順序是隨機的任意的（根據子任務消耗的時間而定）
代碼
import gevent
import random
def task(pid):
"""
Some non-deterministic task
"""
gevent.sleep(random.randint(0,2)*0.001)
print('Task %s done' % pid)
#同步（結果更像串行）
def synchronous():
for i in range(1,10):
task(i)
#異步（結果更像亂步）
def asynchronous():
threads = [gevent.spawn(task, i) for i in range(10)]
gevent.joinall(threads)
print('Synchronous同步:')
synchronous()
print('Asynchronous異步:')
asynchronous()
輸出
Synchronous同步:
Task 1 done
Task 2 done
Task 3 done
Task 4 done
Task 5 done
Task 6 done
Task 7 done
Task 8 done
Task 9 done
Asynchronous異步:
Task 1 done
Task 5 done
Task 6 done
Task 2 done
Task 4 done
Task 7 done
Task 8 done
Task 9 done
Task 0 done
Task 3 done
同步案例中所有的任務都是按照順序執行，這導致主程序是阻塞式的（阻塞會暫停主程序的執行）。
gevent.spawn會對傳入的任務（子任務集合）進行進行調度，gevent.joinall方法會阻塞當前程序，除非所有的greenlet都執行完畢，程序才會結束。
實戰
實現gevent到底怎么用，把異步訪問得到的數據提取出來。
在有道詞典搜索框輸入“hello”按回車。觀察數據請求情況 觀察有道的url構建。
分析url規律
#url構建只需要傳入word即可
url = "http://dict.youdao.com/w/eng/{}/".format(word)
解析網頁數據
def fetch_word_info(word):
url = "http://dict.youdao.com/w/eng/{}/".format(word)
resp = requests.get(url,headers=headers)
doc = pq(resp.text)
pros = ''
for pro in doc.items('.baav .pronounce'):
pros+=pro.text()
description = ''
for li in doc.items('#phrsListTab .trans-container ul li'):
description +=li.text()
return {'word':word,'音標':pros,'注釋':description}
因為requests庫在任何時候只允許有一個訪問結束完全結束后，才能進行下一次訪問。無法通過正規途徑拓展成異步，因此這里使用了monkey補丁
同步代碼
import requests
from pyquery import PyQuery as pq
import gevent
import time
import gevent.monkey
gevent.monkey.patch_all()
words = ['good','bad','cool',
'hot','nice','better',
'head','up','down',
'right','left','east']
def synchronous():
start = time.time()
print('同步開始了')
for word in words:
print(fetch_word_info(word))
end = time.time()
print("同步運行時間： %s 秒" % str(end - start))
#執行同步
synchronous()
異步代碼
import requests
from pyquery import PyQuery as pq
import gevent
import time
import gevent.monkey
gevent.monkey.patch_all()
words = ['good','bad','cool',
'hot','nice','better',
'head','up','down',
'right','left','east']
def asynchronous():
start = time.time()
print('異步開始了')
events = [gevent.spawn(fetch_word_info,word) for word in words]
wordinfos = gevent.joinall(events)
for wordinfo in wordinfos:
#獲取到數據get方法
print(wordinfo.get())
end = time.time()
print("異步運行時間： %s 秒"%str(end-start))
#執行異步
asynchronous()
我們可以對待爬網站實時異步訪問，速度會大大提高。我們現在是爬取12個詞語的信息，也就是說一瞬間我們對網站訪問了12次，這還沒啥問題，假如爬10000+個詞語，使用gevent的話，那幾秒鐘之內就給網站一股腦的發請求，說不定網站就把爬蟲封了。
解決辦法
將列表等分為若干個子列表，分批爬取。舉例我們有一個數字列表（0-19），要均勻的等分為4份，也就是子列表有5個數。下面是我在stackoverflow查找到的列表等分方案：
方法1
seqence = list(range(20))
size = 5 #子列表長度
output = [seqence[i:i+size] for i in range(0, len(seqence), size)]
print(output)
方法2
chunks = lambda seq, size: [seq[i: i+size] for i in range(0, len(seq), size)]
print(chunks(seq, 5))
方法3
def chunks(seq,size):
for i in range(0,len(seq), size):
yield seq[i:i+size]
prinT(chunks(seq,5))
for x in chunks(req,5):
print(x)
數據量不大的情況下，選哪一種方法都可以。如果特別大，建議使用方法3.
動手實現
import requests
from pyquery import PyQuery as pq
import gevent
import time
import gevent.monkey
gevent.monkey.patch_all()
words = ['good','bad','cool',
'hot','nice','better',
'head','up','down',
'right','left','east']
def fetch_word_info(word):
url = "http://dict.youdao.com/w/eng/{}/".format(word)
resp = requests.get(url,headers=headers)
doc = pq(resp.text)
pros = ''
for pro in doc.items('.baav .pronounce'):
pros+=pro.text()
description = ''
for li in doc.items('#phrsListTab .trans-container ul li'):
description +=li.text()
return {'word':word,'音標':pros,'注釋':description}
def asynchronous(words):
start = time.time()
print('異步開始了')
chunks = lambda seq, size: [seq[i: i + size] for i in range(0, len(seq), size)]
for subwords in chunks(words,3):
events = [gevent.spawn(fetch_word_info, word) for word in subwords]
wordinfos = gevent.joinall(events)
for wordinfo in wordinfos:
# 獲取到數據get方法
print(wordinfo.get())
time.sleep(1)
end = time.time()
print("異步運行時間： %s 秒" % str(end - start))
asynchronous(words)
來自：http://developer.51cto.com/art/201801/565596.htm