python并发爬虫实用工具tomorrow实用解析

tomorrow是我最近在用的一个爬虫利器，该模块属于第三方的一个模块，使用起来非常的方便，只需要用其中的threads方法作为装饰器去修饰一个普通的函数，既可以达到并发的效果，本篇将用实例来展示tomorrow的强大之处。后面将对tomorrow的实现原理做进一步的分析。

1.安装第三方包

pip install requests_html #网络请求包
pip install fake-useragent #获取useragent包
pip install tomorrow

2.普通下载方式

在这里我们用20个电影网址进行测试，并获取其标题，计算所用的时间

start=time.time()
for i in url_list:
  print(get_xpath(get_req(i),"//title//text()"))
end=time.time()
print("普通方式花费时间",end-start)

get_req是我定义的访问网络的一个方法，get_xpath是为例使用xpath表达式获取其结果，这里是获取网址的标题。20个电影网址普通方式访问的结果在8-9秒之间。

3.使用tomorrow以后

start2 = time.time()
req_list = []
for url in url_list:
 req = async_get_req(url)
 req_list.append(req)

for req in req_list:
 print(get_xpath(req, "//title//text()"))
end2 = time.time()
print("并发后花费时间", end2 - start2)

如果我们想要使用tomorrow，就要尽量减少耗时操作，访问网络并等待其回应就是一个非常耗时的工作，在这里我们需要做的是，并发的时候除了访问网络不要做其他操作，然后我们把获取的请求存一个列表，然后再去循环做其他操作，看不懂我说的没关系，直接看下面代码并尝试几次就明白了。

4.测试结果对比

来看程序的完整代码:

import time
from requests_html import HTMLSession
from fake_useragent import UserAgent as ua
from tomorrow import threads

headers = {"User-Agent": ua().Chrome}
session = HTMLSession()
url_list = ["https://movie.douban.com",
     "http://www.1905.com/",
     "http://www.mtime.com/",
     "https://www.dy2018.com/",
     "http://dytt8.net",
     "https://www.piaohua.com/",
     "http://maoyan.com",
     "https://www.xigua110.com/",
     "https://www.vmovier.com/",
     "http://movie.kankan.com/",
     "https://107cine.com/",
     "http://movie.youku.com",
     "http://film.qq.com",
     "http://film.spider.com.cn",
     "https://dianying.taobao.com/",
     "http://www.wandafilm.com/",
     "http://www.dygang.net/",
     "http://www.bale.cn/",
     "http://dianying.2345.com/",
     "http://v.x2y4.com/"]

def get_req(url, timeout=10):
 req = session.get(url, headers=headers, timeout=timeout)
 if req.status_code == 200:
   return req

@threads(5)
def async_get_req(url, timeout=10):
 req = session.get(url, headers=headers, timeout=timeout)
 if req.status_code == 200:
   return req

def get_xpath(req, xpath_str):
 return req.html.xpath(xpath_str)[0].strip().replace("\n", "")

start=time.time()
for i in url_list:
  print(get_xpath(get_req(i),"//title//text()"))
end=time.time()
print("普通方式花费时间",end-start)

start2 = time.time()
req_list = []
for url in url_list:
 req = async_get_req(url)
 req_list.append(req)

for req in req_list:
 print(get_xpath(req, "//title//text()"))
end2 = time.time()
print("并发后花费时间", end2 - start2)

运行三次上面的程序记录下每次的结果

第一次：
普通方式花费时间 7.883908271789551
并发后花费时间 2.2888755798339844
第二次:
普通方式花费时间 8.522203207015991
并发后花费时间 2.4674007892608643
第三次:
普通方式花费时间 9.062756061553955
并发后花费时间 2.8703203201293945

tomorrow使用起来很简单，在普通的函数上面加个threads装饰器即可以实现并发效果，括号中的数字是表示并发的次数，经过我的测试并不是并发次数越多越好，你需要选择一个中间点，因为还会受到网速的影响，我觉得一般并发数5-10就好.

来源：https://juejin.im/post/5bc5a27df265da0a9c78a171