Python自动化开发学习-爬虫3

py3study

发布于 2020-01-06 20:44:54

5500

发布于 2020-01-06 20:44:54

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/1.0\r\n
HOST: 1.1.1.1
\r\n\r\n
"""

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/1.0\r\nHost: %s\r\n\r\n" % (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/1.0\r\nHost: %s\r\n\r\n" % (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()

本文参与腾讯云自媒体分享计划，分享自作者个人站点/博客。

原始发表：2019-09-20 ，如有侵权请联系 cloudcommunity@tencent.com 删除

http