python如何提升爬虫效率


Posted in Python onSeptember 27, 2020

单线程+多任务异步协程

  • 协程

在函数(特殊函数)定义的时候,使用async修饰,函数调用后,内部语句不会立即执行,而是会返回一个协程对象

  • 任务对象

任务对象=高级的协程对象(进一步封装)=特殊的函数
任务对象必须要注册到时间循环对象中
给任务对象绑定回调:爬虫的数据解析中

  • 事件循环

当做是一个装载任务对象的容器
当启动事件循环对象的时候,存储在内的任务对象会异步执行

  • 特殊函数内部不能写不支持异步请求的模块,如time,requests...否则虽然不报错但实现不了异步

time.sleep -- asyncio.sleep
requests -- aiohttp

import asyncio
import time

start_time = time.time()
async def get_request(url):
  await asyncio.sleep(2)
  print(url,'下载完成!')

urls = [
  'www.1.com',
  'www.2.com',
]

task_lst = [] # 任务对象列表
for url in urls:
  c = get_request(url) # 协程对象
  task = asyncio.ensure_future(c) # 任务对象
  # task.add_done_callback(...)  # 绑定回调
  task_lst.append(task)

loop = asyncio.get_event_loop() # 事件循环对象
loop.run_until_complete(asyncio.wait(task_lst)) # 注册,手动挂起

线程池+requests模块

# 线程池
import time
from multiprocessing.dummy import Pool

start_time = time.time()
url_list = [
  'www.1.com',
  'www.2.com',
  'www.3.com',
]
def get_request(url):
  print('正在下载...',url)
  time.sleep(2)
  print('下载完成!',url)

pool = Pool(3)
pool.map(get_request,url_list)
print('总耗时:',time.time()-start_time)

两个方法提升爬虫效率

起一个flask服务端

from flask import Flask
import time

app = Flask(__name__)

@app.route('/bobo')
def index_bobo():
  time.sleep(2)
  return 'hello bobo!'

@app.route('/jay')
def index_jay():
  time.sleep(2)
  return 'hello jay!'

@app.route('/tom')
def index_tom():
  time.sleep(2)
  return 'hello tom!'

if __name__ == '__main__':
  app.run(threaded=True)

aiohttp模块+单线程多任务异步协程

import asyncio
import aiohttp
import requests
import time

start = time.time()
async def get_page(url):
  # page_text = requests.get(url=url).text
  # print(page_text)
  # return page_text
  async with aiohttp.ClientSession() as s: #生成一个session对象
    async with await s.get(url=url) as response:
      page_text = await response.text()
      print(page_text)
  return page_text

urls = [
  'http://127.0.0.1:5000/bobo',
  'http://127.0.0.1:5000/jay',
  'http://127.0.0.1:5000/tom',
]
tasks = []
for url in urls:
  c = get_page(url)
  task = asyncio.ensure_future(c)
  tasks.append(task)
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))

end = time.time()
print(end-start)

# 异步执行!
# hello tom!
# hello bobo!
# hello jay!
# 2.0311079025268555
'''
aiohttp模块实现单线程+多任务异步协程
并用xpath解析数据
'''
import aiohttp
import asyncio
from lxml import etree
import time

start = time.time()
# 特殊函数:请求的发送和数据的捕获
# 注意async with await关键字
async def get_request(url):
  async with aiohttp.ClientSession() as s:
    async with await s.get(url=url) as response:
      page_text = await response.text()
      return page_text    # 返回页面源码

# 回调函数,解析数据
def parse(task):
  page_text = task.result()
  tree = etree.HTML(page_text)
  msg = tree.xpath('/html/body/ul//text()')
  print(msg)

urls = [
  'http://127.0.0.1:5000/bobo',
  'http://127.0.0.1:5000/jay',
  'http://127.0.0.1:5000/tom',
]
tasks = []
for url in urls:
  c = get_request(url)
  task = asyncio.ensure_future(c)
  task.add_done_callback(parse) #绑定回调函数!
  tasks.append(task)
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))

end = time.time()
print(end-start)

requests模块+线程池

import time
import requests
from multiprocessing.dummy import Pool

start = time.time()
urls = [
  'http://127.0.0.1:5000/bobo',
  'http://127.0.0.1:5000/jay',
  'http://127.0.0.1:5000/tom',
]
def get_request(url):
  page_text = requests.get(url=url).text
  print(page_text)
  return page_text

pool = Pool(3)
pool.map(get_request, urls)
end = time.time()
print('总耗时:', end-start)

# 实现异步请求
# hello jay!
# hello bobo!
# hello tom!
# 总耗时: 2.0467123985290527

小结

  • 爬虫的加速目前掌握了两种方法:

aiohttp模块+单线程多任务异步协程
requests模块+线程池

  • 爬虫接触的模块有三个:

requests
urllib
aiohttp

  • 接触了一下flask开启服务器

以上就是python如何提升爬虫效率的详细内容,更多关于python提升爬虫效率的资料请关注三水点靠木其它相关文章!

Python 相关文章推荐
跟老齐学Python之一个免费的实验室
Sep 14 Python
Python实现针对中文排序的方法
May 09 Python
简单了解Django模板的使用
Dec 20 Python
python爬虫获取京东手机图片的图文教程
Dec 29 Python
对Python3 goto 语句的使用方法详解
Feb 16 Python
十个Python练手的实战项目,学会这些Python就基本没问题了(推荐)
Apr 26 Python
pytorch获取vgg16-feature层输出的例子
Aug 20 Python
pycharm显示远程图片的实现
Nov 04 Python
Python双链表原理与实现方法详解
Feb 22 Python
Pycharm中使用git进行合作开发的教程详解
Nov 17 Python
在终端启动Python时报错的解决方案
Nov 20 Python
python pygame入门教程
Jun 01 Python
python操作链表的示例代码
Sep 27 #Python
python用tkinter实现一个简易能进行随机点名的界面
Sep 27 #Python
python实现暗通道去雾算法的示例
Sep 27 #Python
谈谈python垃圾回收机制
Sep 27 #Python
如何在python中处理配置文件代码实例
Sep 27 #Python
Python 开发工具通过 agent 代理使用的方法
Sep 27 #Python
python 读取、写入txt文件的示例
Sep 27 #Python
You might like
将PHP作为Shell脚本语言使用
2006/10/09 PHP
15个小时----从修改程序到自己些程序
2006/10/09 PHP
在php MYSQL中插入当前时间
2008/04/06 PHP
php面向对象全攻略 (八)重载新的方法
2009/09/30 PHP
PHP笔记之:基于面向对象设计的详解
2013/05/14 PHP
PHP中$this和$that指针使用实例
2015/01/06 PHP
ThinkPHP自定义函数解决模板标签加减运算的方法
2015/07/03 PHP
php array_pop 删除数组最后一个元素实例
2016/11/02 PHP
Raphael带文本标签可拖动的图形实现代码
2013/02/20 Javascript
js多级树形弹出一个小窗口层(非常好用)实例代码
2013/03/19 Javascript
JavaScript将当前时间转换成UTC标准时间的方法
2015/04/06 Javascript
javascript中几个容易混淆的概念总结
2015/04/14 Javascript
javascript中递归的两种写法
2017/01/17 Javascript
React服务端渲染(总结)
2017/07/01 Javascript
Mobile Web开发基础之四--处理手机设备的横竖屏问题
2017/08/11 Javascript
简述JS浏览器的三种弹窗
2018/07/15 Javascript
小程序实现页面顶部选项卡效果
2018/11/06 Javascript
加快Vue项目的开发速度的方法
2018/12/12 Javascript
JavaScript创建防篡改对象的方法分析
2018/12/30 Javascript
Next.js实现react服务器端渲染的方法示例
2019/01/06 Javascript
[01:52]深扒TI7聊天轮盘语音出处7
2017/05/11 DOTA
Python ORM框架SQLAlchemy学习笔记之数据添加和事务回滚介绍
2014/06/10 Python
详细讲解用Python发送SMTP邮件的教程
2015/04/29 Python
python去除空格和换行符的实现方法(推荐)
2017/01/04 Python
Python+OpenCV采集本地摄像头的视频
2019/04/25 Python
Pythonic版二分查找实现过程原理解析
2020/08/11 Python
Django修改app名称和数据表迁移方案实现
2020/09/17 Python
谈谈对css属性box-sizing的了解
2017/01/04 HTML / CSS
linux面试题参考答案(6)
2016/06/23 面试题
热爱祖国演讲稿
2014/05/04 职场文书
525心理活动总结
2014/07/04 职场文书
年终晚会活动方案
2014/08/21 职场文书
遗愿清单观后感
2015/06/09 职场文书
公司周年庆典致辞
2015/07/30 职场文书
宣传委员竞选稿
2015/11/19 职场文书
前端JS获取URL参数的4种方法总结
2022/04/05 Javascript