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
整理Python中的赋值运算符
May 13 Python
Python中Django 后台自定义表单控件
Mar 28 Python
Python基于回溯法子集树模板解决数字组合问题实例
Sep 02 Python
Python机器学习之决策树算法实例详解
Dec 06 Python
python2.7+selenium2实现淘宝滑块自动认证功能
Feb 24 Python
利用python将pdf输出为txt的实例讲解
Apr 23 Python
python 编写简单网页服务器的实例
Jun 01 Python
Python3.7 dataclass使用指南小结
Feb 22 Python
python3+PyQt5 实现Rich文本的行编辑方法
Jun 17 Python
在Pandas中处理NaN值的方法
Jun 25 Python
Python 读取串口数据,动态绘图的示例
Jul 02 Python
Python 如何反方向迭代一个序列
Jul 28 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
打造计数器DIY三步曲(中)
2006/10/09 PHP
Php图像处理类代码分享
2012/01/19 PHP
关于PHP实现异步操作的研究
2013/02/03 PHP
你应该知道PHP浮点数知识
2015/05/13 PHP
利用PHP生成静态html页面的原理
2016/09/30 PHP
PHPTree――php快速生成无限级分类
2018/03/30 PHP
js prototype 格式化数字 By shawl.qiu
2007/04/02 Javascript
chrome不支持form.submit的解决方案
2015/04/28 Javascript
Javascript中判断对象是否为空
2015/06/10 Javascript
angularjs客户端实现压缩图片文件并上传实例
2015/07/06 Javascript
jQuery时间插件jquery.clock.js用法实例(5个示例)
2016/01/14 Javascript
js改变style样式和css样式的简单实例
2016/06/28 Javascript
微信小程序 数据访问实例详解
2016/10/08 Javascript
vue2.0与bootstrap3实现列表分页效果
2017/11/28 Javascript
js拖动滑块和点击水波纹效果实例代码
2018/10/16 Javascript
详解在网页上通过JS实现文本的语音朗读
2019/03/28 Javascript
Vue实现简单计算器案例
2020/02/25 Javascript
python实现监控windows服务并自动启动服务示例
2014/04/17 Python
Python实现快速多线程ping的方法
2015/07/15 Python
实例解析Python设计模式编程之桥接模式的运用
2016/03/02 Python
Python引用传值概念与用法实例小结
2017/10/07 Python
python3使用smtplib实现发送邮件功能
2018/05/22 Python
对python sklearn one-hot编码详解
2018/07/10 Python
利用Django-environ如何区分不同环境
2018/08/26 Python
你还在@微信官方?聊聊Python生成你想要的微信头像
2019/09/25 Python
Python3如何使用tabulate打印数据
2020/09/25 Python
澳大利亚男士西服品牌:M.J.Bale
2018/02/06 全球购物
法学专业毕业生自荐信范文
2013/12/18 职场文书
汽车专业大学生职业生涯规划范文
2014/01/07 职场文书
多媒体专业自我鉴定
2014/02/28 职场文书
学校节能宣传周活动总结
2014/07/09 职场文书
代办出身证明书
2014/10/21 职场文书
个人欠款协议书范本2014
2014/11/02 职场文书
2016年学校爱国卫生月活动总结
2016/04/06 职场文书
Python利用folium实现地图可视化
2021/05/23 Python
vue 给数组添加新对象并赋值
2022/04/20 Vue.js