爬虫之线程&协程&异步

线程池

导包：from multiprocessing.dummy import Pool
回调函数异步将可迭代对象中的元素进行某种操作
- 注意事项：callback必须有一个参数，且只能有一个参数
异步主要是被应用在耗时的操作

from multiprocessing.dummy import Pool

pool = Pool(3)  # 实例化线程池对象,3是线程池的最大线程数
# 参数1：回调函数（只是函数名，不加括号）；参数2：列表
# 参数1会接收参数2列表中的某一个元素，回调函数可以对该列表元素进行某种操作
pool.map(callback,list)

测试：同步&异步效率

搭建一个flask，自己启动服务，测试执行时间

新建一个server.py

from flask import Flask, render_template
import time

app = Flask(__name__)


@app.route('/xx')
def index_1():
    time.sleep(2)
    return render_template('test.html')


@app.route('/yy')
def index_2():
    time.sleep(2)
    return render_template('test.html')


@app.route('/oo')
def index_3():
    time.sleep(2)
    return render_template('test.html')


if __name__ == '__main__':
    app.run(debug=True)

新建一个templates文件夹，在该文件夹下创建一个HTML文件，我写的是test.html，随便写点数据

<html lang="en">
<head>
    <meta charset="UTF-8"/>
    <title>测试</title>
</head>
<body>
<div>
    <p>百里守约</p>
</div>
<div class="song">
    <p>李清照</p>
    <p>王安石</p>
    <p>苏轼</p>
    <p>柳宗元</p>
    <a href="http://www.song.com/" title="赵匡胤" target="_self">
        <span>this is span</span>
        宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱</a>
    <a href="" class="du">总为浮云能蔽日,长安不见使人愁</a>
    <img src="http://www.baidu.com/meinv.jpg" alt=""/>
</div>
<div class="tang">
    <ul>
        <li><a href="http://www.baidu.com" title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></li>
        <li><a href="http://www.163.com" title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山</a></li>
        <li><a href="http://www.126.com" id="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li>
        <li><a href="http://www.sina.com" class="du">杜甫</a></li>
        <li><a href="http://www.dudu.com" class="du">杜牧</a></li>
        <li><b>杜小月</b></li>
        <li><i>度蜜月</i></li>
        <li><a href="http://www.haha.com" id="feng">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li>
    </ul>
</div>
</body>
</html>

同步&异步执行时间

import requests
from bs4 import BeautifulSoup
import time
# 线程池模块
from multiprocessing.dummy import Pool

urls = [
    'http://127.0.0.1:5000/xx',
    'http://127.0.0.1:5000/yy',
    'http://127.0.0.1:5000/oo',
]

# 数据的爬取，返回爬取到的页面源码数据
def get_request(url):
    page_text = requests.get(url=url).text
    return page_text

# 数据的解析，返回标签的文本
def parse(page_text):
    soup = BeautifulSoup(page_text, 'lxml')
    return soup.select('#feng')[0].text

# 同步代码
if __name__ == '__main__':
    start = time.time()
    for url in urls:
        page_text = get_request(url)
        text_data = parse(page_text)
        print(text_data)
    print(time.time() - start)
"""
执行结果：
凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘
凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘
凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘
6.056272029876709
"""

# 异步代码
if __name__ == '__main__':
    start = time.time()
    pool = Pool(3)  # 实例化线程池对象
    # 参数1：回调函数（只是函数名，不加括号）；参数2：列表
    # 参数1会接收参数2列表中的某一个元素，回调函数可以对该列表元素进行某种操作
    page_text_list = pool.map(get_request,urls)
    text_data = pool.map(parse,page_text_list)
    for i in text_data:
        print(i)
    print(time.time() - start)
"""
执行结果：
凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘
凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘
凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘
2.0537397861480713

不用for循环速度能提升0.01秒左右
"""

综上所述：异步代码执行效率显著提高

案例：基于线程池爬取梨视频

思路分析
- 爬取到视频详情页对应的url，存储到一个可迭代对象中
- 再次发送请求获取视频详情页真正的视频地址
  - 注意：视频详情页的video是js代码动态生成的，需要用到正则解析
- 写一个callback，获取视频的二进制文件，持久化存储

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

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36'
}

# 梨视频财富板块的地址
main_url = 'https://www.pearvideo.com/category_3'
# 解析出该板块下视频详情页的src
main_page_text = requests.get(url=main_url, headers=headers).text
tree = etree.HTML(main_page_text)
li_list = tree.xpath('//*[@id="listvideoListUl"]/li')
# 线程池
video_urls = []
for li in li_list:
    # 视频详情页的具体地址和视频标题
    detail_url = "https://www.pearvideo.com/" + li.xpath('./div/a/@href')[0]
    name = li.xpath('./div/a/div[2]/text()')[0]
    # 对详情页发起请求
    page_text = requests.get(url=detail_url, headers=headers).text
    # 视频详情页的video是js代码动态生成的，使用正则解析
    ex = 'srcUrl="(.*?)",vdoUrl='
    video_url = re.findall(ex, page_text, re.S)[0]  # 返回的是列表类型
    dic = {
        'url': video_url,
        'name': name,
    }
    video_urls.append(dic)

# 回调函数
def get_video(url):
    # 对视频地址发请求，将二进制文件持久化存储
    video_data = requests.get(url=url['url'], headers=headers).content
    file_name = "./video/" + url['name'] + ".mp4"
    with open(file_name, 'wb') as f:
        f.write(video_data)
        print(url['name'], "下载完毕！")

# 创建存储视频的文件夹
dir_name = 'video'
if not os.path.exists(dir_name):
    os.mkdir(dir_name)
# 实例化线程池
pool = Pool(4)
pool.map(get_video, video_urls)

单线程+多任务的异步协程

`asyncio`（重点）

特殊函数

如果一个函数的定义被async关键字修饰后，则该函数是一个特殊函数。
特殊之处：
- 该函数被调用后，函数内部的实现语句不会被立即执行。
- 该函数会返回一个协程对象

协程

协程就是一个对象。当特殊函数被调用后，该函数就会返回一个协程对象。

协程对象 == 特殊函数

import asyncio
from time import sleep

async def get_request(url):
    print('正在请求：', url)
    sleep(2)
    print('请求成功：', url)
    return '666'
# 返回一个协程对象
g = get_request("https://www,qq.com")

任务对象

就是对协程对象的进一步封装（就是一个高级的协程对象）

任务对象 == 协程对象 == 特殊函数（表示某个固定形式的任务）

asyncio.ensure_future(协程对象)

task = asyncio.ensure_future(g)

# g:协程对象

绑定回调：

# 定义一个task的回调函数
def callback(task):
    task.result() # 表示的是当前任务对象对应的特殊函数的返回值
    print("I'm callback:", task)

task.add_done_callback(funcName)

# task:任务对象
# funcName:回调函数的名称

funcName这个回调函数必须要带一个参数，这个参数表示的就是当前的任务对象
- 参数.result()：表示的就是当前任务对象对应的特殊函数的返回值

事件循环对象

创建事件循环对象

需要将任务对象注册到该事件循环对象中

# 创建事件循环对象
loop = asyncio.get_event_loop()
# 将任务对象注册/装载到事件循环对象中，然后需要启动循环对象
loop.run_until_complete(task)  # 用于装载且启动事件循环

# task:任务对象

等待

await：当阻塞操作结束后让loop回头执行阻塞之后的代码。

挂起

asyncio.wait()：将当前的任务对象交出cpu的使用权。

asyncio.wait(tasks)

asyncio.wait   # 挂起操作
tasks   # 任务对象列表

重点注意事项

在特殊函数实现内部不可以出现不支持异步的模块代码，否则会中断异步效果

`aiohttp`（重点）

requests：不支持异步，不可以出现在特殊函数内部。
aiohttp：支持异步的网络请求模块，和asyncio一起使用
- pip install aiohttp

代码的编写

写出基本架构

import asyncio
import aiohttp

# 基于aiohttp实现异步的网络请求
async def get_requests(url):
    # 实例化了一个请求对象
    with aiohttp.ClientSession() as aio:
        # with aio.get/post(url=url,headers=headers,data/params,proxy='http://ip:prot') as response:
        with aio.get(url=url) as response:
            # text() 获取字符串形式的响应数据
            # read() 获取bytes类型的响应数据
            page_text = await response.text()
            return page_text

细节补充（代码参照完整代码）
- 在每一个with前加上async关键字
- 在每一个阻塞操作前加上await关键字

完整代码

import asyncio
import aiohttp

# 基于aiohttp实现异步的网络请求
async def get_requests(url):
    # 实例化了一个请求对象
    async with aiohttp.ClientSession() as aio:
        # with aio.get/post(url=url,headers=headers,data/params,proxy='http://ip:prot') as response:
        async with await aio.get(url=url) as response:
            # text() 获取字符串形式的响应数据
            # read() 获取bytes类型的响应数据
            page_text = await response.text()
            return page_text

单任务协程操作

import asyncio
from time import sleep

async def get_request(url):
    print('正在请求：', url)
    sleep(2)
    print('请求成功：', url)
    return '666'

# 定义一个task的回调函数
def callback(task):
    print("I'm callback:", task)

# 返回一个协程对象
g = get_request("https://www,qq.com")

# 创建一个任务对象
task = asyncio.ensure_future(g)
"""

# 给任务对象绑定回调函数
task.add_done_callback(callback)

# 创建事件循环对象
loop = asyncio.get_event_loop()
# 将任务对象注册/装载到事件循环对象中，然后需要启动循环对象
loop.run_until_complete(task)  # 用于装载且启动事件循环
"""
执行结果：
正在请求： www,qq.com
正在请求： www,qq.com
"""

多任务协程操作

import asyncio
import time

start = time.time()
async def get_request(url):
    print('正在请求：', url)
    # await 当阻塞操作结束后让loop回头执行阻塞之后的代码
    await asyncio.sleep(2)
    print('请求成功：', url)
    return '666'

urls = [
    'http://127.0.0.1:5000/xx',
    'http://127.0.0.1:5000/yy',
    'http://127.0.0.1:5000/oo',
]
tasks = []
for url in urls:
    c = get_request(url)
    task = asyncio.ensure_future(c)
    tasks.append(task)

loop = asyncio.get_event_loop()
# 将任务列表注册到事件循环的时候一定要将任务列表进行挂起操作
# asyncio.wait()  挂起操作，将当前的任务对象交出cpu的使用权
loop.run_until_complete(asyncio.wait(tasks))
print('总耗时：', time.time() - start)

单线程&多任务异步爬虫

基于Flask自测

测试代码在上述测试：同步&异步效率，按照上述步骤启动项目；然后运行下方代码。

import asyncio
import time
import aiohttp
from lxml import etree

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36'
}

urls = [
    'http://127.0.0.1:5000/xx',
    'http://127.0.0.1:5000/yy',
    'http://127.0.0.1:5000/oo',
]

start = time.time()

"""
# 发起请求，获取响应数据（不可以实现异步）
async def get_requests(url):
    # requests是不支持异步的模块
    page_text = requests.get(url).text
    return page_text
"""

async def get_requests(url):
    """
    基于aiohttp实现异步的网络请求
    :param url: 
    :return: 
    """
    # 实例化了一个请求对象
    async with aiohttp.ClientSession() as aio:
        # with aio.get/post(url=url,headers=headers,data/params,proxy='http://ip:prot') as response:
        async with await aio.get(url=url) as response:
            # text() 获取字符串形式的响应数据
            # read() 获取bytes类型的响应数据
            page_text = await response.text()
            return page_text

def parse(task):
    """
    定义回调函数
    :param task:
    :return:
    """
    page_text = task.result()  # 获取特殊函数的返回值（请求到的页面源码数据）
    tree = etree.HTML(page_text)
    content = tree.xpath('//*[@id="feng"]/text()')[0]
    print(content)

tasks = []
for url in urls:
    c = get_requests(url)
    task = asyncio.ensure_future(c)
    task.add_done_callback(parse)
    tasks.append(task)

loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))
print('总耗时：', time.time() - start)

案例：基于单线程多任务异步爬取梨视频

思路上述案例：基于线程池爬取梨视频

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

# time模块是为了测试爬取视频的耗时
start = time.time()
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36'
}
# 梨视频财富板块的地址
main_url = 'https://www.pearvideo.com/category_3'
main_page_text = requests.get(url=main_url, headers=headers).text
tree = etree.HTML(main_page_text)
li_list = tree.xpath('//*[@id="listvideoListUl"]/li')
urls = []  # [{'url': video_url,'name': name},{}...]
for li in li_list:
    detail_url = "https://www.pearvideo.com/" + li.xpath('./div/a/@href')[0]
    name = li.xpath('./div/a/div[2]/text()')[0]
    page_text = requests.get(url=detail_url, headers=headers).text
    # 视频详情页的video是js代码动态生成的
    ex = 'srcUrl="(.*?)",vdoUrl='
    video_url = re.findall(ex, page_text, re.S)[0]  # 返回的是列表类型
    dic = {
        'url': video_url,
        'name': name,
    }
    urls.append(dic)

# 基于aiohttp实现异步的网络请求
async def get_requests(url):
    # 实例化了一个请求对象
    async with aiohttp.ClientSession() as aio:
        # with aio.get/post(url=url,headers=headers,data/params,proxy='http://ip:prot') as response:
        async with await aio.get(url=url['url'], headers=headers) as response:
            # text() 获取字符串形式的响应数据
            # read() 获取bytes类型的响应数据
            page_read = await response.read()
            dic = {
                "page_read": page_read,
                "name": url['name']
            }
            return dic


def parse(task):
    """
    定义回调函数
    :param task:
    :return:
    """
    dic_info = task.result()  # 获取特殊函数的返回值（请求到的页面源码数据）
    file_name = "./video/" + dic_info["name"] + ".mp4"
    with open(file_name, 'wb') as f:
        f.write(dic_info['page_read'])
        print(dic_info["name"], "下载完毕！")

tasks = []
for url in urls:
    c = get_requests(url)
    task = asyncio.ensure_future(c)
    task.add_done_callback(parse)
    tasks.append(task)

dir_name = 'video'
if not os.path.exists(dir_name):
    os.mkdir(dir_name)
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))
print('总耗时：', time.time() - start)

来源：https://www.cnblogs.com/Golanguage/p/12535623.html

标签

回调函数

async

协程

js获取当前url

js获取url参数

线程阻塞