#python #asyncio #requests #async/await #crawler
一、情景:
抓取大量URL,每个URL内信息量较少
任务清单: 发送URL请求N次,接受并处理URL响应N次
二、分析:
① 如果每个页面依次抓取的话:
任务流程:
发送第1条URL请求,接受并处理第1条URL响应,发送第2条URL请求,接受并处理第2条URL响应,发送第3条URL请求,接受并处理第3条URL响应……
时间会大量浪费在网络等待(IO-Bound)与执行网络请求命令(CPU-Bound)的切换上,且最重要的是,发出一个页面的网络请求(Request)后需要等待服务器回传信息,等待信息回传才发出下一个页面请求的话,不能高效地利用网络带宽;
② 为每个页面抓取任务创建线程的话:
任务流程:
线程一(并发):发送第1条URL请求,接受并处理第1条URL响应;
线程二(并发):发送第2条URL请求,接受并处理第2条URL响应;
线程三(并发):发送第3条URL请求,接受并处理第3条URL响应;
……
线程N(并发):发送第N条URL请求,接受并处理第N条URL响应)
线程之间的切换会造成大量的消耗
三、解决方法:
利用单个线程内的协程机制,异步执行所有任务清单中的任务。预先设定好需要抓取的URL的列表,触发所有URL页面请求,然后等待网络响应。利用python内置的asyncio调用requests(第三方库)实现异步抓取,提高效率。
四、实现:
1. 预设想要抓取的URL的列表
(注:所有代码是连续的,依次拆分区块方便解释)
#!usr/bin/env python3
# -*- code: utf-8 -*-
import asyncio
import functools
import os
import re
import requests
class MyRequest(object):
def __init__(self):
self.list = []
make_list()
def make_list(self, url):
for i in range(1,1001):
self.list.append('http://some.m3u8.play.list/{}.ts'.format(i))
2. 抓取单个URL的协程编写
实际上就是编写一个生成器(Generator),然后利用@asyncio.coroutine将一个生成器标记/装饰(Decorate)为协程(Coroutine);
在生成器中用yield from执行比较耗时的IO任务(在这里是网络传输的任务),并传回响应。
python 3.5之后的版本可以使用async与await关键词代替@asyncio.coroutine与yield from,让代码更加容易阅读。
async def crawler(url):
print('Start crawling:', url)
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'}
# 利用BaseEventLoop.run_in_executor()可以在coroutine中执行第三方的命令,例如requests.get()
# 第三方命令的参数与关键字利用functools.partial传入
future = asyncio.get_event_loop().run_in_executor(None, functools.partial(requests.get, url, headers=headers))
response = await future
print('Response received:', url)
# 处理获取到的URL响应(在这个例子中我直接将他们保存到硬盘)
with open(os.path.join('.', 'tmp', url.split('/')[-1]), 'wb') as output:
output.write(response.content)
3. (可忽略)URL文件的后续处理
不过里边用到几个小技巧,可以看一下:
① 文件夹遍历
os.walk(path_to_go_through)分别返回路径的根(root),文件夹类型路径的列表(是相对路径,需要与root一起构成绝对路径)与文件类型路径的列表。
② 按预设的序号排序
sorted(list, key=index_function)返回排列好的list,list的排列方式依据list内每个元素的序号,而序号可以通过pass一个method到key参数来进行灵活设定。
例如:
>>> list = ['file1', 'file10', 'file2', 'file20']
>>> sorted(list, key=lambda x : int(x[4:]))
['file1', 'file2', 'file10', 'file20']
③ 正则表达式的贪婪模式、匹配个数与分组
- ? ----- 表示非贪婪匹配
- * ----- 表示匹配任意个(包括零个)
- + ----- 表示匹配至少一个
- () ----- 分组(可以多次使用):用括号括起的内容,若匹配到,可用.group(index)来调用,其中index=0时返回全部匹配,index=1时返回第一个分组,index=2时返回第二个分组……
④ 文件路径的跨平台兼容
使用os.path.join('folder', 'subfolder', 'file.txt')可以在不同平台下返回正确的文件路径
def combine_files(input_folder, output_path, delete_origin=False):
path_list = []
# 遍历文件夹,寻找到所有类型为文件(而不是文件夹的)的路径
for root, _, files in os.walk(input_folder):
for file in files:
path_list.append(os.path.join(root, file))
# 合并所有响应文件为一个
with open(output_path, 'wb') as output_file:
for path in sorted(path_list, key=lambda x:int(re.match(r'.*?(\d+).ts', x).group(1)))
with open(path, 'rb') as input_file:
for line in input_file:
output_file.write(line)
# 删除原始响应文件
if delete_origin == True:
for path in path_list:
os.delete(path)
4. 运行时命令
if __name__ == '__main__':
# 预先设定需要抓取的URL列表
req = MyRequest()
# 创建并执行协程任务
loop = asyncio.get_event_loop()
tasks = [crawler(url) for url in req.list]
loop.run_untill_complete(asyncio.wait(tasks))
loop.close()
# URL响应文件的后续处理
combine_files(os.path.join('.', 'tmp'), os.path('.', 'output', 'output.ts'), delete_origin=True)
五、后续需要完善的部分:
这篇文章只实现了多个网络请求IO的异步处理,之后需要研究一下如何在多个网络请求IO与本地存储(ROM/RAM)进行协调操作。
其他参考资源:
1. Python遍历文件夹的两种方法比较
2. StackOverflow - How does asyncio actually work
3. StackOverflow -What do the terms “CPU bound” and “I/O bound” mean?
网友评论