Python網(wǎng)絡(luò)爬蟲(chóng)中的同步與異步示例詳解
一、同步與異步
#同步編程(同一時(shí)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(shí)間有多個(gè)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(shù)名:做現(xiàn)在的任務(wù)時(shí)不等待,能繼續(xù)做別的任務(wù)。 async def donow_meantime_dontwait(url): response = await requests.get(url) #函數(shù)名:快速高效的做任務(wù) 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(dá)式中的對(duì)象必須是awaitable
- requests不支持非阻塞
- aiohttp是用于異步請(qǐng)求的庫(kù)
代碼
import asyncio import requests import time import aiohttp urls = ['https://book.douban.com/tag/小說(shuō)','https://book.douban.com/tag/科幻', 'https://book.douban.com/tag/漫畫(huà)','https://book.douban.com/tag/奇幻', 'https://book.douban.com/tag/歷史','https://book.douban.com/tag/經(jīng)濟(jì)學(xué)'] 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(yīng)".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(jiǎn)介
gevent是一個(gè)python的并發(fā)庫(kù),它為各種并發(fā)和網(wǎng)絡(luò)相關(guān)的任務(wù)提供了整潔的API。
gevent中用到的主要模式是greenlet,它是以C擴(kuò)展模塊形式接入Python的輕量級(jí)協(xié)程。 greenlet全部運(yùn)行在主程序操作系統(tǒng)進(jìn)程的內(nèi)部,但它們被協(xié)作式地調(diào)度。
猴子補(bǔ)丁
requests庫(kù)是阻塞式的,為了將requests同步更改為異步。只有將requests庫(kù)阻塞式更改為非阻塞,異步操作才能實(shí)現(xiàn)。
而gevent庫(kù)中的猴子補(bǔ)丁(monkey patch),gevent能夠修改標(biāo)準(zhǔn)庫(kù)里面大部分的阻塞式系統(tǒng)調(diào)用。這樣在不改變?cè)写a的情況下,將應(yīng)用的阻塞式方法,變成協(xié)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(qǐng)求運(yùn)行時(shí)間""" start = time.time() for url in urls: req(url) end = time.time() print('同步執(zhí)行時(shí)間 {} s'.format(end-start)) def asynchronous_times(urls): """異步請(qǐng)求運(yùn)行時(shí)間""" start = time.time() gevent.joinall([gevent.spawn(req,url) for url in urls]) end = time.time() print('異步執(zhí)行時(shí)間 {} s'.format(end - start)) urls = ['https://book.douban.com/tag/小說(shuō)','https://book.douban.com/tag/科幻', 'https://book.douban.com/tag/漫畫(huà)','https://book.douban.com/tag/奇幻', 'https://book.douban.com/tag/歷史','https://book.douban.com/tag/經(jīng)濟(jì)學(xué)'] synchronous_times(urls) asynchronous_times(urls)
gevent:異步理論與實(shí)戰(zhàn)
gevent庫(kù)中使用的最核心的是Greenlet-一種用C寫(xiě)的輕量級(jí)python模塊。在任意時(shí)間,系統(tǒng)只能允許一個(gè)Greenlet處于運(yùn)行狀態(tài)
一個(gè)greenlet遇到IO操作時(shí),比如訪問(wèn)網(wǎng)絡(luò),就自動(dòng)切換到其他的greenlet,等到IO操作完成,再在適當(dāng)?shù)臅r(shí)候切換回來(lái)繼續(xù)執(zhí)行。由于IO操作非常耗時(shí),經(jīng)常使程序處于等待狀態(tài),有了gevent為我們自動(dòng)切換協(xié)程,就保證總有g(shù)reenlet在運(yùn)行,而不是等待IO。
串行和異步
高并發(fā)的核心是讓一個(gè)大的任務(wù)分成一批子任務(wù),并且子任務(wù)會(huì)被被系統(tǒng)高效率的調(diào)度,實(shí)現(xiàn)同步或者異步。在兩個(gè)子任務(wù)之間切換,也就是經(jīng)常說(shuō)到的上下文切換。
同步就是讓子任務(wù)串行,而異步有點(diǎn)影分身之術(shù),但在任意時(shí)間點(diǎn),真身只有一個(gè),子任務(wù)并不是真正的并行,而是充分利用了碎片化的時(shí)間,讓程序不要浪費(fèi)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(guò)yield實(shí)現(xiàn)。在這個(gè)例子中,我們會(huì)有兩個(gè)子任務(wù),互相利用對(duì)方等待的時(shí)間做自己的事情。這里我們使用gevent.sleep(0)代表程序會(huì)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(yùn)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(wèn)題
同步運(yùn)行就是串行,123456...,但是異步的順序是隨機(jī)的任意的(根據(jù)子任務(wù)消耗的時(shí)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(jié)果更像串行) def synchronous(): for i in range(1,10): task(i) #異步(結(jié)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(wù)都是按照順序執(zhí)行,這導(dǎo)致主程序是阻塞式的(阻塞會(huì)暫停主程序的執(zhí)行)。
gevent.spawn會(huì)對(duì)傳入的任務(wù)(子任務(wù)集合)進(jìn)行進(jìn)行調(diào)度,gevent.joinall方法會(huì)阻塞當(dāng)前程序,除非所有的greenlet都執(zhí)行完畢,程序才會(huì)結(jié)束。
實(shí)戰(zhàn)
實(shí)現(xiàn)gevent到底怎么用,把異步訪問(wèn)得到的數(shù)據(jù)提取出來(lái)。
在有道詞典搜索框輸入“hello”按回車(chē)。觀察數(shù)據(jù)請(qǐng)求情況 觀察有道的url構(gòu)建。
分析url規(guī)律
#url構(gòu)建只需要傳入word即可 url = "http://dict.youdao.com/w/eng/{}/".format(word)
解析網(wǎng)頁(yè)數(shù)據(jù)
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(biāo)':pros,'注釋':description}
因?yàn)閞equests庫(kù)在任何時(shí)候只允許有一個(gè)訪問(wèn)結(jié)束完全結(jié)束后,才能進(jìn)行下一次訪問(wèn)。無(wú)法通過(guò)正規(guī)途徑拓展成異步,因此這里使用了monkey補(bǔ)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(kāi)始了') for word in words: print(fetch_word_info(word)) end = time.time() print("同步運(yùn)行時(shí)間: %s 秒" % str(end - start)) #執(zhí)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(kāi)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(shù)據(jù)get方法 print(wordinfo.get()) end = time.time() print("異步運(yùn)行時(shí)間: %s 秒"%str(end-start)) #執(zhí)行異步 asynchronous()
我們可以對(duì)待爬網(wǎng)站實(shí)時(shí)異步訪問(wèn),速度會(huì)大大提高。我們現(xiàn)在是爬取12個(gè)詞語(yǔ)的信息,也就是說(shuō)一瞬間我們對(duì)網(wǎng)站訪問(wèn)了12次,這還沒(méi)啥問(wèn)題,假如爬10000+個(gè)詞語(yǔ),使用gevent的話,那幾秒鐘之內(nèi)就給網(wǎng)站一股腦的發(fā)請(qǐng)求,說(shuō)不定網(wǎng)站就把爬蟲(chóng)封了。
解決辦法
將列表等分為若干個(gè)子列表,分批爬取。舉例我們有一個(gè)數(shù)字列表(0-19),要均勻的等分為4份,也就是子列表有5個(gè)數(shù)。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(zhǎng)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(shù)據(jù)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(dòng)手實(shí)現(xiàn)
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(biāo)':pros,'注釋':description} def asynchronous(words): start = time.time() print('異步開(kāi)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(shù)據(jù)get方法 print(wordinfo.get()) time.sleep(1) end = time.time() print("異步運(yùn)行時(shí)間: %s 秒" % str(end - start)) asynchronous(words)
總結(jié)
以上就是這篇文章的全部?jī)?nèi)容了,希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,如果有疑問(wèn)大家可以留言交流,謝謝大家對(duì)腳本之家的支持。
相關(guān)文章
構(gòu)建可視化?web的?Python?神器streamlit
這篇文章主要介紹了構(gòu)建可視化web的Python神器streamlit,Streamlit是一個(gè)用于機(jī)器學(xué)習(xí)、數(shù)據(jù)可視化的Python框架,它能幾行代碼就構(gòu)建出一個(gè)精美的在線app應(yīng)用2022-06-06python 實(shí)時(shí)得到cpu和內(nèi)存的使用情況方法
今天小編就為大家分享一篇python 實(shí)時(shí)得到cpu和內(nèi)存的使用情況方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-06-0610行Python代碼就能實(shí)現(xiàn)的八種有趣功能詳解
Python憑借其簡(jiǎn)潔的代碼,贏得了許多開(kāi)發(fā)者的喜愛(ài),因此也就促使了更多開(kāi)發(fā)者用Python開(kāi)發(fā)新的模塊。面我們來(lái)看看,我們用不超過(guò)10行代碼能實(shí)現(xiàn)些什么有趣的功能吧2022-03-03Python實(shí)現(xiàn)的簡(jiǎn)單讀寫(xiě)csv文件操作示例
這篇文章主要介紹了Python實(shí)現(xiàn)的簡(jiǎn)單讀寫(xiě)csv文件操作,結(jié)合實(shí)例形式分析了Python使用csv模塊針對(duì)csv文件進(jìn)行讀寫(xiě)操作的相關(guān)實(shí)現(xiàn)技巧與注意事項(xiàng),需要的朋友可以參考下2018-07-07Django 過(guò)濾器匯總及自定義過(guò)濾器使用詳解
這篇文章主要介紹了Django 過(guò)濾器匯總及自定義過(guò)濾器使用詳解,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-07-07Python venv虛擬環(huán)境配置過(guò)程解析
這篇文章主要介紹了Python venv虛擬環(huán)境配置過(guò)程解析,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-07-07如何利用python將一個(gè)py文件變成一個(gè)軟件詳解
在我們完成一個(gè)Python項(xiàng)目或一個(gè)程序時(shí),希望將Python的py文件打包成在Windows系統(tǒng)下直接可以運(yùn)行的exe程序,下面這篇文章主要給大家介紹了關(guān)于如何利用python將一個(gè)py文件變成一個(gè)軟件的相關(guān)資料,需要的朋友可以參考下2023-04-04