186 lines
7.1 KiB
Markdown
186 lines
7.1 KiB
Markdown
## 并发编程在爬虫中的应用
|
||
|
||
之前的课程，我们已经为大家介绍了 Python 中的多线程、多进程和异步编程，通过这三种手段，我们可以实现并发或并行编程，这一方面可以加速代码的执行，另一方面也可以带来更好的用户体验。爬虫程序是典型的 I/O 密集型任务，对于 I/O 密集型任务来说，多线程和异步 I/O 都是很好的选择，因为当程序的某个部分因 I/O 操作阻塞时，程序的其他部分仍然可以运转，这样我们不用在等待和阻塞中浪费大量的时间。下面我们以爬取“[360图片](https://image.so.com/)”网站的图片并保存到本地为例，为大家分别展示使用单线程、多线程和异步 I/O 编程的爬虫程序有什么区别，同时也对它们的执行效率进行简单的对比。
|
||
|
||
“360图片”网站的页面使用了 [Ajax](https://developer.mozilla.org/zh-CN/docs/Web/Guide/AJAX) 技术，这是很多网站都会使用的一种异步加载数据和局部刷新页面的技术。简单的说，页面上的图片都是通过 JavaScript 代码异步获取 JSON 数据并动态渲染生成的，而且整个页面还使用了瀑布式加载（一边向下滚动，一边加载更多的图片）。我们在浏览器的“开发者工具”中可以找到提供动态内容的数据接口，如下图所示，我们需要的图片信息就在服务器返回的 JSON 数据中。
|
||
|
||
<img src="https://gitee.com/jackfrued/mypic/raw/master/20211205221352.png" style="zoom:50%;">
|
||
|
||
例如，要获取“美女”频道的图片，我们可以请求如下所示的URL，其中参数`ch`表示请求的频道，`=`后面的参数值`beauty`就代表了“美女”频道，参数`sn`相当于是页码，`0`表示第一页（共`30`张图片），`30`表示第二页，`60`表示第三页，以此类推。
|
||
|
||
```
|
||
https://image.so.com/zjl?ch=beauty&sn=0
|
||
```
|
||
|
||
### 单线程版本
|
||
|
||
通过上面的 URL 下载“美女”频道共`90`张图片。
|
||
|
||
```Python
|
||
"""
|
||
example04.py - 单线程版本爬虫
|
||
"""
|
||
import os
|
||
|
||
import requests
|
||
|
||
|
||
def download_picture(url):
|
||
filename = url[url.rfind('/') + 1:]
|
||
resp = requests.get(url)
|
||
if resp.status_code == 200:
|
||
with open(f'images/beauty/{filename}', 'wb') as file:
|
||
file.write(resp.content)
|
||
|
||
|
||
def main():
|
||
if not os.path.exists('images/beauty'):
|
||
os.makedirs('images/beauty')
|
||
for page in range(3):
|
||
resp = requests.get(f'https://image.so.com/zjl?ch=beauty&sn={page * 30}')
|
||
if resp.status_code == 200:
|
||
pic_dict_list = resp.json()['list']
|
||
for pic_dict in pic_dict_list:
|
||
download_picture(pic_dict['qhimg_url'])
|
||
|
||
if __name__ == '__main__':
|
||
main()
|
||
```
|
||
|
||
在 macOS 或 Linux 系统上，我们可以使用`time`命令来了解上面代码的执行时间以及 CPU 的利用率，如下所示。
|
||
|
||
```Bash
|
||
time python3 example04.py
|
||
```
|
||
|
||
下面是单线程爬虫代码在我的电脑上执行的结果。
|
||
|
||
```
|
||
python3 example04.py 2.36s user 0.39s system 12% cpu 21.578 total
|
||
```
|
||
|
||
这里我们只需要关注代码的总耗时为`21.578`秒，CPU 利用率为`12%`。
|
||
|
||
### 多线程版本
|
||
|
||
我们使用之前讲到过的线程池技术，将上面的代码修改为多线程版本。
|
||
|
||
```Python
|
||
"""
|
||
example05.py - 多线程版本爬虫
|
||
"""
|
||
import os
|
||
from concurrent.futures import ThreadPoolExecutor
|
||
|
||
import requests
|
||
|
||
|
||
def download_picture(url):
|
||
filename = url[url.rfind('/') + 1:]
|
||
resp = requests.get(url)
|
||
if resp.status_code == 200:
|
||
with open(f'images/beauty/{filename}', 'wb') as file:
|
||
file.write(resp.content)
|
||
|
||
|
||
def main():
|
||
if not os.path.exists('images/beauty'):
|
||
os.makedirs('images/beauty')
|
||
with ThreadPoolExecutor(max_workers=16) as pool:
|
||
for page in range(3):
|
||
resp = requests.get(f'https://image.so.com/zjl?ch=beauty&sn={page * 30}')
|
||
if resp.status_code == 200:
|
||
pic_dict_list = resp.json()['list']
|
||
for pic_dict in pic_dict_list:
|
||
pool.submit(download_picture, pic_dict['qhimg_url'])
|
||
|
||
|
||
if __name__ == '__main__':
|
||
main()
|
||
```
|
||
|
||
执行如下所示的命令。
|
||
|
||
```Bash
|
||
time python3 example05.py
|
||
```
|
||
|
||
代码的执行结果如下所示：
|
||
|
||
```
|
||
python3 example05.py 2.65s user 0.40s system 95% cpu 3.193 total
|
||
```
|
||
|
||
### 异步I/O版本
|
||
|
||
我们使用`aiohttp`将上面的代码修改为异步 I/O 的版本。为了以异步 I/O 的方式实现网络资源的获取和写文件操作，我们首先得安装三方库`aiohttp`和`aiofile`，命令如下所示。
|
||
|
||
```Bash
|
||
pip install aiohttp aiofile
|
||
```
|
||
|
||
`aiohttp` 的用法在之前的课程中已经做过简要介绍，`aiofile`模块中的`async_open`函数跟 Python 内置函数`open`的用法大致相同，只不过它支持异步操作。下面是异步 I/O 版本的爬虫代码。
|
||
|
||
```Python
|
||
"""
|
||
example06.py - 异步I/O版本爬虫
|
||
"""
|
||
import asyncio
|
||
import json
|
||
import os
|
||
|
||
import aiofile
|
||
import aiohttp
|
||
|
||
|
||
async def download_picture(session, url):
|
||
filename = url[url.rfind('/') + 1:]
|
||
async with session.get(url, ssl=False) as resp:
|
||
if resp.status == 200:
|
||
data = await resp.read()
|
||
async with aiofile.async_open(f'images/beauty/{filename}', 'wb') as file:
|
||
await file.write(data)
|
||
|
||
|
||
async def fetch_json():
|
||
async with aiohttp.ClientSession() as session:
|
||
for page in range(3):
|
||
async with session.get(
|
||
url=f'https://image.so.com/zjl?ch=beauty&sn={page * 30}',
|
||
ssl=False
|
||
) as resp:
|
||
if resp.status == 200:
|
||
json_str = await resp.text()
|
||
result = json.loads(json_str)
|
||
for pic_dict in result['list']:
|
||
await download_picture(session, pic_dict['qhimg_url'])
|
||
|
||
|
||
def main():
|
||
if not os.path.exists('images/beauty'):
|
||
os.makedirs('images/beauty')
|
||
loop = asyncio.get_event_loop()
|
||
loop.run_until_complete(fetch_json())
|
||
loop.close()
|
||
|
||
|
||
if __name__ == '__main__':
|
||
main()
|
||
```
|
||
|
||
执行如下所示的命令。
|
||
|
||
```Bash
|
||
time python3 example06.py
|
||
```
|
||
|
||
代码的执行结果如下所示：
|
||
|
||
```
|
||
python3 example06.py 0.82s user 0.21s system 27% cpu 3.782 total
|
||
```
|
||
|
||
### 总结
|
||
|
||
通过上面三段代码执行结果的比较，我们可以得出一个结论，使用多线程和异步 I/O 都可以改善爬虫程序的性能，因为我们不用将时间浪费在因 I/O 操作造成的等待和阻塞上，而`time`命令的执行结果也告诉我们，单线程的代码 CPU 利用率仅仅只有`12%`，而多线程版本的 CPU 利用率则高达`95%`；单线程版本的爬虫执行时间约`21`秒，而多线程和异步 I/O 的版本仅执行了`3`秒钟。另外，在运行时间差别不大的情况下，多线程的代码比异步 I/O 的代码耗费了更多的 CPU 资源，这是因为多线程的调度和切换也需要花费 CPU 时间。至此，三种方式在 I/O 密集型任务上的优劣已经一目了然，当然这只是在我的电脑上跑出来的结果。如果网络状况不是很理想或者目标网站响应很慢，那么使用多线程和异步 I/O 的优势将更为明显，有兴趣的读者可以自行试验。
|