在进行单个爬虫抓取的时候,我们不可能按照一次抓取一个url的方式进行网页抓取,这样效率低,也浪费了cpu的资源。目前python上面进行并发抓取的实现方式主要有以下几种:进程,线程,协程。进程不在的讨论范围之内,一般来说,进程是用来开启多个spider,比如我们开启了4进程,同时派发4个spider进行网络抓取,每个spider同时抓取4个url。
所以,我们今天讨论的是,在单个爬虫的情况下,尽可能的在同一个时间并发抓取,并且抓取的效率要高。
一.顺序抓取
顺序抓取是最最常见的抓取方式,一般初学爬虫的朋友就是利用这种方式,下面是一个测试代码,顺序抓取8个url,我们可以来测试一下抓取完成需要多少时间:
HEADERS = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9','Accept-Language': 'zh-CN,zh;q=0.8','Accept-Encoding': 'gzip, deflate',}
URLS= ['http://www.cnblogs.com/moodlxs/p/3248890.html','https://www.zhihu.com/topic/19804387/newest','http://blog.csdn.net/yueguanghaidao/article/details/24281751','https://my.oschina.net/visualgui823/blog/36987','http://blog.chinaunix.net/uid-9162199-id-4738168.html','http://www.tuicool.com/articles/u67Bz26','http://rfyiamcool.blog.51cto.com/1030776/1538367/','http://itindex.net/detail/26512-flask-tornado-gevent']#url为随机获取的一批url
deffunc():"""顺序抓取"""
importrequestsimporttime
urls=URLS
headers=HEADERS
headers['user-agent'] = "Mozilla/5.0+(Windows+NT+6.2;+WOW64)+AppleWebKit/537"\".36+(KHTML,+like+Gecko)+Chrome/45.0.2454.101+Safari/537.36"
print(u'顺序抓取')
starttime=time.time()for url inurls:try:
r= requests.get(url, allow_redirects=False, timeout=2.0, headers=headers)except:pass
else:print(r.status_code, r.url)
endtime=time.time()print(endtime-starttime)
func()
我们直接采用内建的time.time()来计时,较为粗略,但可以反映大概的情况。下面是顺序抓取的结果计时:
可以从图片中看到,显示的顺序与urls的顺序是一模一样的,总共耗时为7.763269901275635秒,一共8个url,平均抓取一个大概需要0.97秒。总体来看,还可以接受。
二.多线程抓取
线程是python内的一种较为不错的并发方式,我们也给出相应的代码,并且为每个url创建了一个线程,一共8线程并发抓取,下面的代码:
下面是我们运行8线程的测试代码:
HEADERS = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9','Accept-Language': 'zh-CN,zh;q=0.8','Accept-Encoding': 'gzip, deflate',}
URLS= ['http://www.cnblogs.com/moodlxs/p/3248890.html','https://www.zhihu.com/topic/19804387/newest','http://blog.csdn.net/yueguanghaidao/article/details/24281751','https://my.oschina.net/visualgui823/blog/36987','http://blog.chinaunix.net/uid-9162199-id-4738168.html','http://www.tuicool.com/articles/u67Bz26','http://rfyiamcool.blog.51cto.com/1030776/1538367/','http://itindex.net/detail/26512-flask-tornado-gevent']defthread():from threading importThreadimportrequestsimporttime
urls=URLS
headers=HEADERS
headers['user-agent'] = "Mozilla/5.0+(Windows+NT+6.2;+WOW64)+AppleWebKit/537.36+"\"(KHTML,+like+Gecko)+Chrome/45.0.2454.101+Safari/537.36"
defget(url):try:
r= requests.get(url, allow_redirects=False, timeout=2.0, headers=headers)except:pass
else:print(r.status_code, r.url)print(u'多线程抓取')
ts= [Thread(target=get, args=(url,)) for url inurls]
starttime=time.time()for t ints:
t.start()for t ints:
t.join()
endtime=time.time()print(endtime-starttime)
thread()
多线程抓住的时间如下:
可以看到相较于顺序抓取,8线程的抓取效率明显上升了3倍多,全部完成只消耗了2.154秒。可以看到显示的结果已经不是urls的顺序了,说明每个url各自完成的时间都是不一样的。线程就是在一个进程中不断的切换,让每个线程各自运行一会,这对于网络io来说,性能是非常高的。但是线程之间的切换是挺浪费资源的。
三.gevent并发抓取
gevent是一种轻量级的协程,可用它来代替线程,而且,他是在一个线程中运行,机器资源的损耗比线程低很多。如果遇到了网络io阻塞,会马上切换到另一个程序中去运行,不断的轮询,来降低抓取的时间
下面是测试代码:
HEADERS = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9','Accept-Language': 'zh-CN,zh;q=0.8','Accept-Encoding': 'gzip, deflate',}
URLS= ['http://www.cnblogs.com/moodlxs/p/3248890.html','https://www.zhihu.com/topic/19804387/newest','http://blog.csdn.net/yueguanghaidao/article/details/24281751','https://my.oschina.net/visualgui823/blog/36987','http://blog.chinaunix.net/uid-9162199-id-4738168.html','http://www.tuicool.com/articles/u67Bz26','http://rfyiamcool.blog.51cto.com/1030776/1538367/','http://itindex.net/detail/26512-flask-tornado-gevent']defmain():"""gevent并发抓取"""
importrequestsimportgeventimporttime
headers=HEADERS
headers['user-agent'] = "Mozilla/5.0+(Windows+NT+6.2;+WOW64)+AppleWebKit/537.36+"\"(KHTML,+like+Gecko)+Chrome/45.0.2454.101+Safari/537.36"urls=URLSdefget(url):try:
r= requests.get(url, allow_redirects=False, timeout=2.0, headers=headers)except:pass
else:print(r.status_code, r.url)print(u'基于gevent的并发抓取')
starttime=time.time()
g= [gevent.spawn(get, url) for url inurls]
gevent.joinall(g)
endtime=time.time()print(endtime -starttime)
main()
协程的抓取时间如下:
正常情况下,gevent的并发抓取与多线程的消耗时间差不了多少,但是可能是我网络的原因,或者机器的性能的原因,时间有点长......,请各位小主在自己电脑进行跑一下看运行时间
四.基于tornado的coroutine并发抓取
tornado中的coroutine是python中真正意义上的协程,与python3中的asyncio几乎是完全一样的,而且两者之间的future是可以相互转换的,tornado中有与asyncio相兼容的接口。
下面是利用tornado中的coroutine进行并发抓取的代码:
利用coroutine编写并发略显复杂,但这是推荐的写法,如果你使用的是python3,强烈建议你使用coroutine来编写并发抓取。
下面是测试代码:
HEADERS = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9','Accept-Language': 'zh-CN,zh;q=0.8','Accept-Encoding': 'gzip, deflate',}
URLS= ['http://www.cnblogs.com/moodlxs/p/3248890.html','https://www.zhihu.com/topic/19804387/newest','http://blog.csdn.net/yueguanghaidao/article/details/24281751','https://my.oschina.net/visualgui823/blog/36987','http://blog.chinaunix.net/uid-9162199-id-4738168.html','http://www.tuicool.com/articles/u67Bz26','http://rfyiamcool.blog.51cto.com/1030776/1538367/','http://itindex.net/detail/26512-flask-tornado-gevent']importtimefrom tornado.gen importcoroutinefrom tornado.ioloop importIOLoopfrom tornado.httpclient importAsyncHTTPClient, HTTPErrorfrom tornado.httpclient importHTTPRequest#urls与前面相同
classMyClass(object):def __init__(self):#AsyncHTTPClient.configure("tornado.curl_httpclient.CurlAsyncHTTPClient")
self.http =AsyncHTTPClient()
@coroutinedefget(self, url):#tornado会自动在请求首部带上host首部
request = HTTPRequest(url=url,
method='GET',
headers=HEADERS,
connect_timeout=2.0,
request_timeout=2.0,
follow_redirects=False,
max_redirects=False,
user_agent="Mozilla/5.0+(Windows+NT+6.2;+WOW64)+AppleWebKit/537.36+\
(KHTML,+like+Gecko)+Chrome/45.0.2454.101+Safari/537.36",)yield self.http.fetch(request, callback=self.find, raise_error=False)deffind(self, response):ifresponse.error:print(response.error)print(response.code, response.effective_url, response.request_time)classDownload(object):def __init__(self):
self.a=MyClass()
self.urls=URLS
@coroutinedefd(self):print(u'基于tornado的并发抓取')
starttime=time.time()yield [self.a.get(url) for url inself.urls]
endtime=time.time()print(endtime-starttime)if __name__ == '__main__':
dd=Download()
loop=IOLoop.current()
loop.run_sync(dd.d)
抓取的时间如下:
可以看到总共花费了128087秒,而这所花费的时间恰恰就是最后一个url抓取所需要的时间,tornado中自带了查看每个请求的相应时间。我们可以从图中看到,最后一个url抓取总共花了1.28087秒,相较于其他时间大大的增加,这也是导致我们消耗时间过长的原因。那可以推断出,前面的并发抓取,也在这个url上花费了较多的时间。
总结:
以上测试其实非常的不严谨,因为我们选取的url的数量太少了,完全不能反映每一种抓取方式的优劣。如果有一万个不同的url同时抓取,那么记下总抓取时间,是可以得出一个较为客观的结果的。
并且,已经有人测试过,多线程抓取的效率是远不如gevent的。所以,如果你使用的是python2,那么我推荐你使用gevent进行并发抓取;如果你使用的是python3,我推荐你使用tornado的http客户端结合coroutine进行并发抓取。从上面的结果来看,tornado的coroutine是高于gevent的轻量级的协程的。但具体结果怎样,我没测试过。