Python网络爬虫的同步和异步

一、同步与异步

#同步编程（同一时间只能做一件事，做完了才能做下一件事情）  
<-a_url-><-b_url-><-c_url->  
#异步编程 (可以近似的理解成同一时间有多个事情在做，但有先后)  
<-a_url->  
  <-b_url->  
    <-c_url->  
      <-d_url->  
        <-e_url->  
          <-f_url->  
            <-g_url->  
              <-h_url->  
                <--i_url-->  
                  <--j_url--> 

import asyncio 
 
#函数名:做现在的任务时不等待，能继续做别的任务。 
 
async def donow_meantime_dontwait(url): 
 
    response = await requests.get(url) 
 
#函数名:快速高效的做任务 
 
async def fast_do_your_thing(): 
 
    await asyncio.wait([donow_meantime_dontwait(url) for url in urls]) 
 
#下面两行都是套路，记住就好 
 
loop = asyncio.get_event_loop() 
 
loop.run_until_complete(fast_do_your_thing()) 

tips:

await表达式中的对象必须是awaitable

requests不支持非阻塞

aiohttp是用于异步请求的库

import asyncio 
import requests 
import time 
import aiohttp 
urls = ['https://book.douban.com/tag/小说','https://book.douban.com/tag/科幻', 
        'https://book.douban.com/tag/漫画','https://book.douban.com/tag/奇幻', 
        'https://book.douban.com/tag/历史','https://book.douban.com/tag/经济学'] 
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} 得到响应".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简介

gevent是一个python的并发库，它为各种并发和网络相关的任务提供了整洁的API。

gevent中用到的主要模式是greenlet，它是以C扩展模块形式接入Python的轻量级协程。 greenlet全部运行在主程序操作系统进程的内部，但它们被协作式地调度。

requests库是阻塞式的，为了将requests同步更改为异步。只有将requests库阻塞式更改为非阻塞，异步操作才能实现。

而gevent库中的猴子补丁（monkey patch），gevent能够修改标准库里面大部分的阻塞式系统调用。这样在不改变原有代码的情况下，将应用的阻塞式方法，变成协程式的（异步）。

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): 
 
    """同步请求运行时间"""  
    start = time.time() 
     for url in urls:  
        req(url)  
    end = time.time()  
    print('同步执行时间 {} s'.format(end-start))  
 
def asynchronous_times(urls):  
    """异步请求运行时间"""  
    start = time.time()  
    gevent.joinall([gevent.spawn(req,url) for url in urls])  
    end = time.time()  
    print('异步执行时间 {} s'.format(end - start))  
 
urls = ['https://book.douban.com/tag/小说','https://book.douban.com/tag/科幻',  
        'https://book.douban.com/tag/漫画','https://book.douban.com/tag/奇幻',  
        'https://book.douban.com/tag/历史','https://book.douban.com/tag/经济学']  
 
synchronous_times(urls)  
asynchronous_times(urls) 

gevent：异步理论与实战

gevent库中使用的最核心的是Greenlet-一种用C写的轻量级python模块。在任意时间，系统只能允许一个Greenlet处于运行状态

一个greenlet遇到IO操作时，比如访问网络，就自动切换到其他的greenlet，等到IO操作完成，再在适当的时候切换回来继续执行。由于IO操作非常耗时，经常使程序处于等待状态，有了gevent为我们自动切换协程，就保证总有greenlet在运行，而不是等待IO。

串行和异步

高并发的核心是让一个大的任务分成一批子任务，并且子任务会被被系统高效率的调度，实现同步或者异步。在两个子任务之间切换，也就是经常说到的上下文切换。

同步就是让子任务串行，而异步有点影分身之术，但在任意时间点，真身只有一个，子任务并不是真正的并行，而是充分利用了碎片化的时间，让程序不要浪费在等待上。这就是异步，效率杠杆的。

gevent中的上下文切换是通过yield实现。在这个例子中，我们会有两个子任务，互相利用对方等待的时间做自己的事情。这里我们使用gevent.sleep(0)代表程序会在这里停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) 
 
    ]) 

运行的顺序：

Running in foo  
Explicit context to bar  
Explicit context switch to foo again  
Implicit context switch back to bar 

同步异步的顺序问题

同步运行就是串行，123456...，但是异步的顺序是随机的任意的（根据子任务消耗的时间而定）

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（结果更像串行）  
def synchronous():  
    for i in range(1,10):  
        task(i)  
 
 
#异步（结果更像乱步）  
def asynchronous():  
    threads = [gevent.spawn(task, i) for i in range(10)]  
    gevent.joinall(threads)  
 
 
print('Synchronous同步:')  
synchronous()  
 
 
print('Asynchronous异步:') 
 
asynchronous() 

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异步:

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务都是按照顺序执行，这导致主程序是阻塞式的（阻塞会暂停主程序的执行）。

gevent.spawn会对传入的任务（子任务集合）进行进行调度，gevent.joinall方法会阻塞当前程序，除非所有的greenlet都执行完毕，程序才会结束。

实现gevent到底怎么用，把异步访问得到的数据提取出来。

在有道词典搜索框输入“hello”按回车。观察数据请求情况 观察有道的url构建。

分析url规律

#url构建只需要传入word即可 
 
url = "http://dict.youdao.com/w/eng/{}/".format(word) 

解析网页数据

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,'音标':pros,'注释':description} 

因为requests库在任何时候只允许有一个访问结束完全结束后，才能进行下一次访问。无法通过正规途径拓展成异步，因此这里使用了monkey补丁

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('同步开始了')  
    for word in words:  
        print(fetch_word_info(word))  
    end = time.time()  
    print("同步运行时间： %s 秒" % str(end - start)) 
 
 
#执行同步  
synchronous() 

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('异步开始了')  
    events = [gevent.spawn(fetch_word_info,word) for word in words]  
    wordinfos = gevent.joinall(events)  
    for wordinfo in wordinfos:  
        #获取到数据get方法  
        print(wordinfo.get())  
    end = time.time()  
    print("异步运行时间： %s 秒"%str(end-start))  
 
#执行异步  
asynchronous() 

我们可以对待爬网站实时异步访问，速度会大大提高。我们现在是爬取12个词语的信息，也就是说一瞬间我们对网站访问了12次，这还没啥问题，假如爬10000+个词语，使用gevent的话，那几秒钟之内就给网站一股脑的发请求，说不定网站就把爬虫封了。

将列表等分为若干个子列表，分批爬取。举例我们有一个数字列表（0-19），要均匀的等分为4份，也就是子列表有5个数。下面是我在stackoverflow查找到的列表等分方案：

seqence = list(range(20)) 
 
size = 5 #子列表长度 
 
output = [seqence[i:i+size] for i in range(0, len(seqence), size)] 
 
print(output) 

chunks = lambda seq, size: [seq[i: i+size] for i in range(0, len(seq), size)] 
 
print(chunks(seq, 5)) 

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)  

数据量不大的情况下，选哪一种方法都可以。如果特别大，建议使用方法3.

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,'音标':pros,'注释':description}  
 
 
def asynchronous(words):  
    start = time.time()  
    print('异步开始了')   
 
    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:  
            # 获取到数据get方法  
            print(wordinfo.get()) 
 
        time.sleep(1)   
        end = time.time()  
    print("异步运行时间： %s 秒" % str(end - start))  
 
asynchronous(words)