python如何提升爬虫效率

作者:straightup 时间:2021-12-17 22:18:24 

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

来源:https://www.cnblogs.com/straightup/p/13676391.html

标签:python,爬虫,效率
0
投稿

猜你喜欢

  • Python类的继承、多态及获取对象信息操作详解

    2023-09-09 21:27:52
  • 详解Python中的join()函数的用法

    2021-01-20 11:21:23
  • 搜索结果页(SERP)之:不要被F型浏览忽悠了

    2009-09-07 12:34:00
  • VSCODE配置Markdown及Markdown基础语法详解

    2021-10-02 10:21:20
  • 利用Python编写的实用运维脚本分享

    2022-07-15 21:32:46
  • 一些实用的sql语句

    2009-11-10 20:21:00
  • [译]开发人员经常犯的8个设计错误

    2008-02-01 12:28:00
  • python面向对象入门教程之从代码复用开始(一)

    2022-07-17 21:54:13
  • 从算法入手讲解SQL Server的典型示例

    2008-12-18 14:51:00
  • 利用mergeAttributes设置name属性

    2009-12-12 18:48:00
  • 基于python中的TCP及UDP(详解)

    2023-12-22 19:54:38
  • 如何优化SQL语句的心得浅谈

    2024-01-24 00:39:09
  • Python学习笔记之列表推导式实例分析

    2021-04-30 15:00:38
  • 引用其它js时如何同时处理多个window.onload事件

    2024-04-16 10:31:47
  • Oracle RMAN快速入门指南

    2010-07-18 12:50:00
  • python如何发送带有附件、正文为HTML的邮件

    2022-05-22 08:15:15
  • vue2.x集成百度UEditor富文本编辑器的方法

    2024-05-28 15:47:59
  • MySQL Limit执行过程分析探索

    2024-01-14 05:44:31
  • 40个有创意的jQuery图片和内容滑动及弹出插件收藏集之三

    2024-04-22 22:20:09
  • 零基础写python爬虫之urllib2中的两个重要概念:Openers和Handlers

    2023-06-19 20:06:16
  • asp之家 网络编程 m.aspxhome.com