更新了爬虫并发下载部分的内容
parent
2c2c096a95
commit
4b3cae5479
|
@ -36,24 +36,208 @@ Python3.2带来了`concurrent.futures` 模块,这个模块包含了线程池
|
||||||
1. Python 2.2:第一次提出了生成器(最初称之为迭代器)的概念(PEP 255)。
|
1. Python 2.2:第一次提出了生成器(最初称之为迭代器)的概念(PEP 255)。
|
||||||
2. Python 2.5:引入了将对象发送回暂停了的生成器这一特性即生成器的`send()`方法(PEP 342)。
|
2. Python 2.5:引入了将对象发送回暂停了的生成器这一特性即生成器的`send()`方法(PEP 342)。
|
||||||
3. Python 3.3:添加了`yield from`特性,允许从迭代器中返回任何值(注意生成器本身也是迭代器),这样我们就可以串联生成器并且重构出更好的生成器。
|
3. Python 3.3:添加了`yield from`特性,允许从迭代器中返回任何值(注意生成器本身也是迭代器),这样我们就可以串联生成器并且重构出更好的生成器。
|
||||||
4. Python 3.4:引入`asyncio.coroutine` 装饰器用来标记作为协程的函数,协程函数和`asyncio`及其事件循环一起使用,来实现异步I/O操作。
|
4. Python 3.4:引入`asyncio.coroutine`装饰器用来标记作为协程的函数,协程函数和`asyncio`及其事件循环一起使用,来实现异步I/O操作。
|
||||||
5. Python 3.5:引入了`async`和`await`,可以使用`async def`来定义一个协程函数,这个函数中不能包含任何形式的`yield`语句,但是可以使用`return`或`await`从协程中返回值。
|
5. Python 3.5:引入了`async`和`await`,可以使用`async def`来定义一个协程函数,这个函数中不能包含任何形式的`yield`语句,但是可以使用`return`或`await`从协程中返回值。
|
||||||
|
|
||||||
|
#### 示例代码
|
||||||
|
|
||||||
|
1. 生成器 - 数据的生产者。
|
||||||
|
|
||||||
|
```Python
|
||||||
|
|
||||||
|
from time import sleep
|
||||||
|
|
||||||
|
|
||||||
|
# 倒计数生成器
|
||||||
|
def countdown(n):
|
||||||
|
while n > 0:
|
||||||
|
yield n
|
||||||
|
n -= 1
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
for num in countdown(5):
|
||||||
|
print(f'Countdown: {num}')
|
||||||
|
sleep(1)
|
||||||
|
print('Countdown Over!')
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
main()
|
||||||
|
|
||||||
|
```
|
||||||
|
|
||||||
|
生成器还可以叠加来组成生成器管道,代码如下所示。
|
||||||
|
|
||||||
|
```Python
|
||||||
|
|
||||||
|
# Fibonacci数生成器
|
||||||
|
def fib():
|
||||||
|
a, b = 0, 1
|
||||||
|
while True:
|
||||||
|
a, b = b, a + b
|
||||||
|
yield a
|
||||||
|
|
||||||
|
|
||||||
|
# 偶数生成器
|
||||||
|
def even(gen):
|
||||||
|
for val in gen:
|
||||||
|
if val % 2 == 0:
|
||||||
|
yield val
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
gen = even(fib())
|
||||||
|
for _ in range(10):
|
||||||
|
print(next(gen))
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
main()
|
||||||
|
|
||||||
|
```
|
||||||
|
|
||||||
|
2. 协程 - 数据的消费者。
|
||||||
|
|
||||||
|
```Python
|
||||||
|
|
||||||
|
from time import sleep
|
||||||
|
|
||||||
|
|
||||||
|
# 生成器 - 数据生产者
|
||||||
|
def countdown_gen(n, consumer):
|
||||||
|
consumer.send(None)
|
||||||
|
while n > 0:
|
||||||
|
consumer.send(n)
|
||||||
|
n -= 1
|
||||||
|
consumer.send(None)
|
||||||
|
|
||||||
|
|
||||||
|
# 协程 - 数据消费者
|
||||||
|
def countdown_con():
|
||||||
|
while True:
|
||||||
|
n = yield
|
||||||
|
if n:
|
||||||
|
print(f'Countdown {n}')
|
||||||
|
sleep(1)
|
||||||
|
else:
|
||||||
|
print('Countdown Over!')
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
countdown_gen(5, countdown_con())
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
main()
|
||||||
|
|
||||||
|
```
|
||||||
|
|
||||||
|
> 说明:上面代码中countdown_gen函数中的第1行consumer.send(None)是为了激活生成器,通俗的说就是让生成器执行到有yield关键字的地方挂起,当然也可以通过next(consumer)来达到同样的效果。如果不愿意每次都用这样的代码来“预激”生成器,可以写一个包装器来完成该操作,代码如下所示。
|
||||||
|
|
||||||
|
```Python
|
||||||
|
|
||||||
|
from functools import wraps
|
||||||
|
|
||||||
|
|
||||||
|
def coroutine(fn):
|
||||||
|
|
||||||
|
@wraps(fn)
|
||||||
|
def wrapper(*args, **kwargs):
|
||||||
|
gen = fn(*args, **kwargs)
|
||||||
|
next(gen)
|
||||||
|
return gen
|
||||||
|
|
||||||
|
return wrapper
|
||||||
|
```
|
||||||
|
|
||||||
|
这样就可以使用`@coroutine`装饰器对协程进行预激操作,不需要再写重复代码来激活协程。
|
||||||
|
|
||||||
|
3. 异步I/O - 非阻塞式I/O操作。
|
||||||
|
|
||||||
|
```Python
|
||||||
|
|
||||||
|
import asyncio
|
||||||
|
|
||||||
|
|
||||||
|
@asyncio.coroutine
|
||||||
|
def countdown(name, n):
|
||||||
|
while n > 0:
|
||||||
|
print(f'Countdown[{name}]: {n}')
|
||||||
|
yield from asyncio.sleep(1)
|
||||||
|
n -= 1
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
loop = asyncio.get_event_loop()
|
||||||
|
tasks = [
|
||||||
|
countdown("A", 10), countdown("B", 5),
|
||||||
|
]
|
||||||
|
loop.run_until_complete(asyncio.wait(tasks))
|
||||||
|
loop.close()
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
main()
|
||||||
|
|
||||||
|
```
|
||||||
|
|
||||||
|
4. `async`和`await`。
|
||||||
|
|
||||||
|
```Python
|
||||||
|
|
||||||
|
import asyncio
|
||||||
|
import aiohttp
|
||||||
|
|
||||||
|
|
||||||
|
async def download(url):
|
||||||
|
print('Fetch:', url)
|
||||||
|
async with aiohttp.ClientSession() as session:
|
||||||
|
async with session.get(url) as resp:
|
||||||
|
print(url, '--->', resp.status)
|
||||||
|
print(url, '--->', resp.cookies)
|
||||||
|
print('\n\n', await resp.text())
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
loop = asyncio.get_event_loop()
|
||||||
|
urls = [
|
||||||
|
'https://www.baidu.com',
|
||||||
|
'http://www.sohu.com/',
|
||||||
|
'http://www.sina.com.cn/',
|
||||||
|
'https://www.taobao.com/',
|
||||||
|
'https://www.jd.com/'
|
||||||
|
]
|
||||||
|
tasks = [download(url) for url in urls]
|
||||||
|
loop.run_until_complete(asyncio.wait(tasks))
|
||||||
|
loop.close()
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
main()
|
||||||
|
|
||||||
|
```
|
||||||
|
|
||||||
|
上面的代码使用了[AIOHTTP](https://github.com/aio-libs/aiohttp)这个非常著名的第三方库,它实现了HTTP客户端和HTTP服务器的功能,对异步操作提供了非常好的支持,有兴趣可以阅读它的[官方文档](https://aiohttp.readthedocs.io/en/stable/)。
|
||||||
|
|
||||||
### 实例 - 多线程爬取“手机搜狐网”所有页面。
|
### 实例 - 多线程爬取“手机搜狐网”所有页面。
|
||||||
|
|
||||||
```Python
|
```Python
|
||||||
|
|
||||||
|
import pickle
|
||||||
|
import zlib
|
||||||
from enum import Enum, unique
|
from enum import Enum, unique
|
||||||
from queue import Queue
|
from hashlib import sha1
|
||||||
from random import random
|
from random import random
|
||||||
from threading import Thread, current_thread
|
from threading import Thread, current_thread, local
|
||||||
from time import sleep
|
from time import sleep
|
||||||
from urllib.parse import urlparse
|
from urllib.parse import urlparse
|
||||||
|
|
||||||
|
import pymongo
|
||||||
|
import redis
|
||||||
import requests
|
import requests
|
||||||
from bs4 import BeautifulSoup
|
from bs4 import BeautifulSoup
|
||||||
|
from bson import Binary
|
||||||
|
|
||||||
|
|
||||||
@unique
|
@unique
|
||||||
|
@ -113,7 +297,6 @@ class Spider(object):
|
||||||
|
|
||||||
def parse(self, html_page, *, domain='m.sohu.com'):
|
def parse(self, html_page, *, domain='m.sohu.com'):
|
||||||
soup = BeautifulSoup(html_page, 'lxml')
|
soup = BeautifulSoup(html_page, 'lxml')
|
||||||
url_links = []
|
|
||||||
for a_tag in soup.body.select('a[href]'):
|
for a_tag in soup.body.select('a[href]'):
|
||||||
parser = urlparse(a_tag.attrs['href'])
|
parser = urlparse(a_tag.attrs['href'])
|
||||||
scheme = parser.scheme or 'http'
|
scheme = parser.scheme or 'http'
|
||||||
|
@ -122,34 +305,51 @@ class Spider(object):
|
||||||
path = parser.path
|
path = parser.path
|
||||||
query = '?' + parser.query if parser.query else ''
|
query = '?' + parser.query if parser.query else ''
|
||||||
full_url = f'{scheme}://{netloc}{path}{query}'
|
full_url = f'{scheme}://{netloc}{path}{query}'
|
||||||
if full_url not in visited_urls:
|
redis_client = thread_local.redis_client
|
||||||
url_links.append(full_url)
|
if not redis_client.sismember('visited_urls', full_url):
|
||||||
return url_links
|
redis_client.rpush('m_sohu_task', full_url)
|
||||||
|
|
||||||
def extract(self, html_page):
|
def extract(self, html_page):
|
||||||
pass
|
pass
|
||||||
|
|
||||||
def store(self, data_dict):
|
def store(self, data_dict):
|
||||||
|
# redis_client = thread_local.redis_client
|
||||||
|
# mongo_db = thread_local.mongo_db
|
||||||
pass
|
pass
|
||||||
|
|
||||||
|
|
||||||
class SpiderThread(Thread):
|
class SpiderThread(Thread):
|
||||||
|
|
||||||
def __init__(self, name, spider, tasks_queue):
|
def __init__(self, name, spider):
|
||||||
super().__init__(name=name, daemon=True)
|
super().__init__(name=name, daemon=True)
|
||||||
self.spider = spider
|
self.spider = spider
|
||||||
self.tasks_queue = tasks_queue
|
|
||||||
|
|
||||||
def run(self):
|
def run(self):
|
||||||
|
redis_client = redis.Redis(host='1.2.3.4', port=6379, password='1qaz2wsx')
|
||||||
|
mongo_client = pymongo.MongoClient(host='1.2.3.4', port=27017)
|
||||||
|
thread_local.redis_client = redis_client
|
||||||
|
thread_local.mongo_db = mongo_client.msohu
|
||||||
while True:
|
while True:
|
||||||
current_url = self.tasks_queue.get()
|
current_url = redis_client.lpop('m_sohu_task')
|
||||||
visited_urls.add(current_url)
|
while not current_url:
|
||||||
|
current_url = redis_client.lpop('m_sohu_task')
|
||||||
self.spider.status = SpiderStatus.WORKING
|
self.spider.status = SpiderStatus.WORKING
|
||||||
|
current_url = current_url.decode('utf-8')
|
||||||
|
if not redis_client.sismember('visited_urls', current_url):
|
||||||
|
redis_client.sadd('visited_urls', current_url)
|
||||||
html_page = self.spider.fetch(current_url)
|
html_page = self.spider.fetch(current_url)
|
||||||
if html_page not in [None, '']:
|
if html_page not in [None, '']:
|
||||||
url_links = self.spider.parse(html_page)
|
hasher = hasher_proto.copy()
|
||||||
for url_link in url_links:
|
hasher.update(current_url.encode('utf-8'))
|
||||||
self.tasks_queue.put(url_link)
|
doc_id = hasher.hexdigest()
|
||||||
|
sohu_data_coll = mongo_client.msohu.webpages
|
||||||
|
if not sohu_data_coll.find_one({'_id': doc_id}):
|
||||||
|
sohu_data_coll.insert_one({
|
||||||
|
'_id': doc_id,
|
||||||
|
'url': current_url,
|
||||||
|
'page': Binary(zlib.compress(pickle.dumps(html_page)))
|
||||||
|
})
|
||||||
|
self.spider.parse(html_page)
|
||||||
self.spider.status = SpiderStatus.IDLE
|
self.spider.status = SpiderStatus.IDLE
|
||||||
|
|
||||||
|
|
||||||
|
@ -158,19 +358,22 @@ def is_any_alive(spider_threads):
|
||||||
for spider_thread in spider_threads])
|
for spider_thread in spider_threads])
|
||||||
|
|
||||||
|
|
||||||
visited_urls = set()
|
thread_local = local()
|
||||||
|
hasher_proto = sha1()
|
||||||
|
|
||||||
|
|
||||||
def main():
|
def main():
|
||||||
task_queue = Queue()
|
redis_client = redis.Redis(host='1.2.3.4', port=6379, password='1qaz2wsx')
|
||||||
task_queue.put('http://m.sohu.com/')
|
if not redis_client.exists('m_sohu_task'):
|
||||||
spider_threads = [SpiderThread('thread-%d' % i, Spider(), task_queue)
|
redis_client.rpush('m_sohu_task', 'http://m.sohu.com/')
|
||||||
|
|
||||||
|
spider_threads = [SpiderThread('thread-%d' % i, Spider())
|
||||||
for i in range(10)]
|
for i in range(10)]
|
||||||
for spider_thread in spider_threads:
|
for spider_thread in spider_threads:
|
||||||
spider_thread.start()
|
spider_thread.start()
|
||||||
|
|
||||||
while not task_queue.empty() or is_any_alive(spider_threads):
|
while redis_client.exists('m_sohu_task') or is_any_alive(spider_threads):
|
||||||
sleep(5)
|
pass
|
||||||
|
|
||||||
print('Over!')
|
print('Over!')
|
||||||
|
|
||||||
|
|
|
@ -0,0 +1,22 @@
|
||||||
|
import asyncio
|
||||||
|
|
||||||
|
|
||||||
|
@asyncio.coroutine
|
||||||
|
def countdown(name, num):
|
||||||
|
while num > 0:
|
||||||
|
print(f'Countdown[{name}]: {num}')
|
||||||
|
yield from asyncio.sleep(1)
|
||||||
|
num -= 1
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
loop = asyncio.get_event_loop()
|
||||||
|
tasks = [
|
||||||
|
countdown("A", 10), countdown("B", 5),
|
||||||
|
]
|
||||||
|
loop.run_until_complete(asyncio.wait(tasks))
|
||||||
|
loop.close()
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
main()
|
|
@ -0,0 +1,29 @@
|
||||||
|
import asyncio
|
||||||
|
import aiohttp
|
||||||
|
|
||||||
|
|
||||||
|
async def download(url):
|
||||||
|
print('Fetch:', url)
|
||||||
|
async with aiohttp.ClientSession() as session:
|
||||||
|
async with session.get(url) as resp:
|
||||||
|
print(url, '--->', resp.status)
|
||||||
|
print(url, '--->', resp.cookies)
|
||||||
|
print('\n\n', await resp.text())
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
loop = asyncio.get_event_loop()
|
||||||
|
urls = [
|
||||||
|
'https://www.baidu.com',
|
||||||
|
'http://www.sohu.com/',
|
||||||
|
'http://www.sina.com.cn/',
|
||||||
|
'https://www.taobao.com/',
|
||||||
|
'https://www.jd.com/'
|
||||||
|
]
|
||||||
|
tasks = [download(url) for url in urls]
|
||||||
|
loop.run_until_complete(asyncio.wait(tasks))
|
||||||
|
loop.close()
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
main()
|
|
@ -0,0 +1,27 @@
|
||||||
|
from time import sleep
|
||||||
|
|
||||||
|
|
||||||
|
def countdown_gen(n, consumer):
|
||||||
|
consumer.send(None)
|
||||||
|
while n > 0:
|
||||||
|
consumer.send(n)
|
||||||
|
n -= 1
|
||||||
|
consumer.send(None)
|
||||||
|
|
||||||
|
|
||||||
|
def countdown_con():
|
||||||
|
while True:
|
||||||
|
n = yield
|
||||||
|
if n:
|
||||||
|
print(f'Countdown {n}')
|
||||||
|
sleep(1)
|
||||||
|
else:
|
||||||
|
print('Countdown Over!')
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
countdown_gen(5, countdown_con())
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
main()
|
|
@ -0,0 +1,42 @@
|
||||||
|
from time import sleep
|
||||||
|
|
||||||
|
from myutils import coroutine
|
||||||
|
|
||||||
|
|
||||||
|
@coroutine
|
||||||
|
def create_delivery_man(name, capacity=1):
|
||||||
|
buffer = []
|
||||||
|
while True:
|
||||||
|
size = 0
|
||||||
|
while size < capacity:
|
||||||
|
pkg_name = yield
|
||||||
|
if pkg_name:
|
||||||
|
size += 1
|
||||||
|
buffer.append(pkg_name)
|
||||||
|
print('%s正在接受%s' % (name, pkg_name))
|
||||||
|
else:
|
||||||
|
break
|
||||||
|
print('=====%s正在派送%d件包裹=====' % (name, len(buffer)))
|
||||||
|
sleep(3)
|
||||||
|
buffer.clear()
|
||||||
|
|
||||||
|
|
||||||
|
def create_package_center(consumer, max_packages):
|
||||||
|
num = 0
|
||||||
|
while num <= max_packages:
|
||||||
|
print('快递中心准备派送%d号包裹' % num)
|
||||||
|
consumer.send('包裹-%d' % num)
|
||||||
|
num += 1
|
||||||
|
if num % 10 == 0:
|
||||||
|
sleep(5)
|
||||||
|
consumer.send(None)
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
print(create_delivery_man.__name__)
|
||||||
|
dm = create_delivery_man('王大锤', 7)
|
||||||
|
create_package_center(dm, 25)
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
main()
|
|
@ -0,0 +1,21 @@
|
||||||
|
def fib():
|
||||||
|
a, b = 0, 1
|
||||||
|
while True:
|
||||||
|
a, b = b, a + b
|
||||||
|
yield a
|
||||||
|
|
||||||
|
|
||||||
|
def even(gen):
|
||||||
|
for val in gen:
|
||||||
|
if val % 2 == 0:
|
||||||
|
yield val
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
gen = even(fib())
|
||||||
|
for _ in range(10):
|
||||||
|
print(next(gen))
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
main()
|
|
@ -0,0 +1,18 @@
|
||||||
|
from time import sleep
|
||||||
|
|
||||||
|
|
||||||
|
def countdown(n):
|
||||||
|
while n > 0:
|
||||||
|
yield n
|
||||||
|
n -= 1
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
for num in countdown(5):
|
||||||
|
print(f'Countdown: {num}')
|
||||||
|
sleep(1)
|
||||||
|
print('Countdown Over!')
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
main()
|
|
@ -0,0 +1,12 @@
|
||||||
|
from functools import wraps
|
||||||
|
|
||||||
|
|
||||||
|
def coroutine(fn):
|
||||||
|
|
||||||
|
@wraps(fn)
|
||||||
|
def wrapper(*args, **kwargs):
|
||||||
|
gen = fn(*args, **kwargs)
|
||||||
|
next(gen)
|
||||||
|
return gen
|
||||||
|
|
||||||
|
return wrapper
|
Loading…
Reference in New Issue