Python实战：异步爬虫（协程技术）与分布式爬虫（多进程应用）深入解析

转自：https://blog.csdn.net/SL_World/article/details/86633611

在讲解之前，我们先来通过一幅图看清多进程和协程的爬虫之间的原理及其区别。(图片来源于网络)

这里，异步爬虫不同于多进程爬虫，它使用单线程(即仅创建一个事件循环，然后把所有任务添加到事件循环中)就能并发处理多任务。在轮询到某个任务后，当遇到耗时操作(如请求URL)时，挂起该任务并进行下一个任务，当之前被挂起的任务更新了状态(如获得了网页响应)，则被唤醒，程序继续从上次挂起的地方运行下去。极大的减少了中间不必要的等待时间。

对于协程(Asyncio库)的原理及实现请见：《Python异步IO之协程(详解)》
对于多进程的知识讲解及实现请见：《廖雪峰-Python多进程》

在有了Asyncio异步IO库实现协程后，我们还需要实现异步网页请求。因此，aiohttp库应运而生。

使用aiohttp库实现异步网页请求
　　在我们写普通的爬虫程序时，经常会用到requests库用以请求网页并获得服务器响应。而在协程中，由于requests库提供的相关方法不是可等待对象(awaitable),使得无法放在await后面，因此无法使用requests库在协程程序中实现请求。在此，官方专门提供了一个aiohttp库，用来实现异步网页请求等功能，简直就是异步版的requests库。

【基础实现】：在官方文档中，推荐使用ClientSession()函数来调用网页请求等相关方法。然后，我们在协程中使用ClientSession()的get()或request()方法来请求网页。(其中async with是异步上下文管理器，其封装了异步实现等功能)

import aiohttp

async with aiohttp.ClientSession() as session:
    async with session.get(\'http://httpbin.org/get\') as resp:
        print(resp.status)
        print(await resp.text())

ClientSession()除了有请求网页的方法，官方API还提供了其他HTTP常见方法。

session.request(method=\'GET\', url=\'http://httpbin.org/request\')
session.post(\'http://httpbin.org/post\', data=b\'data\')
session.put(\'http://httpbin.org/put\', data=b\'data\')
session.delete(\'http://httpbin.org/delete\')
session.head(\'http://httpbin.org/get\')
session.options(\'http://httpbin.org/get\')
session.patch(\'http://httpbin.org/patch\', data=b\'data\')

【案例】：爬取2018年AAAI顶会中10篇论文的标题。

一、测试普通爬虫程序

import time
from lxml import etree
import requests
urls = [
    \'https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16488\',
    \'https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16583\',
    # 省略后面8个url...
]
\'\'\'
提交请求获取AAAI网页,并解析HTML获取title
\'\'\'
def get_title(url,cnt):
    response = requests.get(url)  # 提交请求,获取响应内容
    html = response.content       # 获取网页内容(content返回的是bytes型数据,text()获取的是Unicode型数据)
    title = etree.HTML(html).xpath(\'//*[@id="title"]/text()\') # 由xpath解析HTML
    print(\'第%d个title:%s\' % (cnt,\'\'.join(title)))
    
if __name__ == \'__main__\':
    start1 = time.time()
    i = 0
    for url in urls:
        i = i + 1
        start = time.time()
        get_title(url,i)
        print(\'第%d个title爬取耗时:%.5f秒\' % (i,float(time.time() - start)))
    print(\'爬取总耗时:%.5f秒\' % float(time.time()-start1))

执行结果如下：

第1个title:Norm Conflict Resolution in Stochastic Domains
第1个title爬取耗时:1.41810秒
第2个title:Algorithms for Trip-Vehicle Assignment in Ride-Sharing
第2个title爬取耗时:1.31734秒
第3个title:Tensorized Projection for High-Dimensional Binary Embedding
第3个title爬取耗时:1.31826秒
第4个title:Synthesis of Programs from Multimodal Datasets
第4个title爬取耗时:1.28625秒
第5个title:Video Summarization via Semantic Attended Networks
第5个title爬取耗时:1.33226秒
第6个title:TIMERS: Error-Bounded SVD Restart on Dynamic Networks
第6个title爬取耗时:1.52718秒
第7个title:Memory Management With Explicit Time in Resource-Bounded Agents
第7个title爬取耗时:1.35522秒
第8个title:Mitigating Overexposure in Viral Marketing
第8个title爬取耗时:1.35722秒
第9个title:Neural Link Prediction over Aligned Networks
第9个title爬取耗时:1.51317秒
第10个title:Dual Deep Neural Networks Cross-Modal Hashing
第10个title爬取耗时:1.30624秒
爬取总耗时:13.73324秒

可见，平均每请求完一个URL并解析该HTML耗时1.4秒左右。本次程序运行总耗时13.7秒。

二、测试基于协程的异步爬虫程序

　　下面，是使用了协程的异步爬虫程序。etree模块用于解析HTML，aiohttp是一个利用asyncio的库，它的API看起来很像请求的API，可以暂时看成协程版的requests。

import time
from lxml import etree
import aiohttp
import asyncio
urls = [
    \'https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16488\',
    \'https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16583\',
    # 省略后面8个url...
]
titles = []
sem = asyncio.Semaphore(10) # 信号量，控制协程数，防止爬的过快
\'\'\'
提交请求获取AAAI网页,并解析HTML获取title
\'\'\'
async def get_title(url):
    with(await sem):
        # async with是异步上下文管理器
        async with aiohttp.ClientSession() as session:  # 获取session
            async with session.request(\'GET\', url) as resp:  # 提出请求
                # html_unicode = await resp.text() 
                # html = bytes(bytearray(html_unicode, encoding=\'utf-8\'))
                html = await resp.read() # 可直接获取bytes 
                title = etree.HTML(html).xpath(\'//*[@id="title"]/text()\')
                print(\'\'.join(title))
\'\'\'
调用方
\'\'\'
def main():
    loop = asyncio.get_event_loop()           # 获取事件循环
    tasks = [get_title(url) for url in urls]  # 把所有任务放到一个列表中
    loop.run_until_complete(asyncio.wait(tasks)) # 激活协程
    loop.close()  # 关闭事件循环

if __name__ == \'__main__\':
    start = time.time()
    main()  # 调用方
    print(\'总耗时：%.5f秒\' % float(time.time()-start))

执行结果如下：

Memory Management With Explicit Time in Resource-Bounded Agents
Norm Conflict Resolution in Stochastic Domains
Video Summarization via Semantic Attended Networks
Tensorized Projection for High-Dimensional Binary Embedding
Algorithms for Trip-Vehicle Assignment in Ride-Sharing
Dual Deep Neural Networks Cross-Modal Hashing
Neural Link Prediction over Aligned Networks
Mitigating Overexposure in Viral Marketing
TIMERS: Error-Bounded SVD Restart on Dynamic Networks
Synthesis of Programs from Multimodal Datasets
总耗时：2.43371秒

可见，本次我们使用协程爬取10个URL只耗费了2.4秒，效率是普通同步程序的8~12倍。

【解释】：

request获取的text()返回的是网页的Unicode型数据，content和read()返回的是bytes型数据。而etree.HTML(html)接收的参数需是bytes类型，所以①可以通过resp.read()直接获取bytes；②若使用text()则需要通过先把Unicode类型数据转换成比特数组对象，再转换成比特对象，即bytes(bytearray(html_unicode, encoding=\'utf-8\'))。
发起请求除了可以用上述session.request(\'GET\', url)也可以用session.get(url)，功能相同。
如果同时做太多的请求，链接有可能会断掉。所以需要使用sem = asyncio.Semaphore(10) ，Semaphore是限制同时工作的协同程序数量的同步工具。
async with是异步上下文管理器，不解的请看Python中的async with用法。

三、测试基于多进程的分布式爬虫程序
下面，我们测试多进程爬虫程序，由于我的电脑CPU是4核，所以这里进程池我就设的4。

import multiprocessing
from multiprocessing import Pool
import time
import requests
from lxml import etree
urls = [
    \'https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16488\',
    \'https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16583\',
    # 省略后面8个url...
]
\'\'\'
提交请求获取AAAI网页,并解析HTML获取title
\'\'\'
def get_title(url,cnt):
    response = requests.get(url)  # 提交请求
    html = response.content       # 获取网页内容
    title = etree.HTML(html).xpath(\'//*[@id="title"]/text()\') # 由xpath解析HTML
    print(\'第%d个title:%s\' % (cnt,\'\'.join(title)))
\'\'\'
调用方
\'\'\'
def main():
    print(\'当前环境CPU核数是：%d核\' % multiprocessing.cpu_count())
    p = Pool(4)  # 进程池
    i = 0
    for url in urls:
        i += 1
        p.apply_async(get_title, args=(url, i))
    p.close()
    p.join()   # 运行完所有子进程才能顺序运行后续程序
    
if __name__ == \'__main__\':
    start = time.time()
    main()  # 调用方
    print(\'总耗时：%.5f秒\' % float(time.time()-start))

执行结果：

当前环境CPU核数是：4核
第2个title:Algorithms for Trip-Vehicle Assignment in Ride-Sharing
第1个title:Norm Conflict Resolution in Stochastic Domains
第4个title:Synthesis of Programs from Multimodal Datasets
第3个title:Tensorized Projection for High-Dimensional Binary Embedding
第5个title:Video Summarization via Semantic Attended Networks
第6个title:TIMERS: Error-Bounded SVD Restart on Dynamic Networks
第7个title:Memory Management With Explicit Time in Resource-Bounded Agents
第8个title:Mitigating Overexposure in Viral Marketing
第9个title:Neural Link Prediction over Aligned Networks
第10个title:Dual Deep Neural Networks Cross-Modal Hashing
总耗时：5.01228秒
可见，多进程分布式爬虫也比普通同步程序要快很多，本次运行时间5秒。但比协程略慢。

【时间对比】：
对于上例中10个URL的爬取时间，下面整理成了表格。

CPU核数\实现方式	普通同步爬虫	多进程爬虫	异步爬虫
4核	13.7秒	5.0秒	2.4秒

其中增加多进程中进程池Pool(n)的n可加速爬虫，下图显示了消耗的时间(单位.秒)和Pool()参数的关系。

如果你以为到这里就结束了，那你就要错过最精彩的东西了：)

四、测试-异步结合多进程-爬虫程序
由于解析HTML也需要消耗一定的时间，而aiohttp和asyncio均未提供相关解析方法。所以可以在请求网页的时使用异步程序，在解析HTML使用多进程，两者配合使用，效率更高哦～！
【请求网页】：使用协程。
【解析HTML】：使用多进程。

from multiprocessing import Pool
import time
from lxml import etree
import aiohttp
import asyncio
urls = [
    \'https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16488\',
    \'https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16583\',
    # 省略后面8个url...
]
htmls = []
titles = []
sem = asyncio.Semaphore(10) # 信号量，控制协程数，防止爬的过快
\'\'\'
提交请求获取AAAI网页html
\'\'\'
async def get_html(url):
    with(await sem):
        # async with是异步上下文管理器
        async with aiohttp.ClientSession() as session:  # 获取session
            async with session.request(\'GET\', url) as resp:  # 提出请求
                html = await resp.read() # 直接获取到bytes
                htmls.append(html)
                print(\'异步获取%s下的html.\' % url)

\'\'\'
协程调用方，请求网页
\'\'\'
def main_get_html():
    loop = asyncio.get_event_loop()           # 获取事件循环
    tasks = [get_html(url) for url in urls]  # 把所有任务放到一个列表中
    loop.run_until_complete(asyncio.wait(tasks)) # 激活协程
    loop.close()  # 关闭事件循环
\'\'\'
使用多进程解析html
\'\'\'
def multi_parse_html(html,cnt):
    title = etree.HTML(html).xpath(\'//*[@id="title"]/text()\')
    titles.append(\'\'.join(title))
    print(\'第%d个html完成解析－title:%s\' % (cnt,\'\'.join(title)))
\'\'\'
多进程调用总函数，解析html
\'\'\'
def main_parse_html():
    p = Pool(4)
    i = 0
    for html in htmls:
        i += 1
        p.apply_async(multi_parse_html,args=(html,i))
    p.close()
    p.join()


if __name__ == \'__main__\':
    start = time.time()
    main_get_html()   # 调用方
    main_parse_html() # 解析html
    print(\'总耗时：%.5f秒\' % float(time.time()-start))

执行结果如下：

异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16380下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16674下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16583下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16911下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/17343下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16449下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16488下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16659下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16581下的html.
异步获取https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16112下的html.
第3个html完成解析－title:Algorithms for Trip-Vehicle Assignment in Ride-Sharing
第1个html完成解析－title:Tensorized Projection for High-Dimensional Binary Embedding
第2个html完成解析－title:TIMERS: Error-Bounded SVD Restart on Dynamic Networks
第4个html完成解析－title:Synthesis of Programs from Multimodal Datasets
第6个html完成解析－title:Dual Deep Neural Networks Cross-Modal Hashing
第7个html完成解析－title:Norm Conflict Resolution in Stochastic Domains
第8个html完成解析－title:Neural Link Prediction over Aligned Networks
第5个html完成解析－title:Mitigating Overexposure in Viral Marketing
第9个html完成解析－title:Video Summarization via Semantic Attended Networks
第10个html完成解析－title:Memory Management With Explicit Time in Resource-Bounded Agents

【参考文献】：
[1] aiohttp官方API文档
[2] 加速爬虫: 异步加载 Asyncio
[3] python:利用asyncio进行快速抓取
[4] 使用 aiohttp 和 asyncio 进行异步请求
[5] requests的content与text导致lxml的解析问题