快捷導(dǎo)航

python并發(fā)爬蟲實用工具tomorrow實用解析

更新時間：2019年09月25日 09:26:44 作者：python學(xué)習開發(fā)

這篇文章主要介紹了python并發(fā)爬蟲實用工具tomorrow實用解析,文中通過示例代碼介紹的非常詳細，對大家的學(xué)習或者工作具有一定的參考學(xué)習價值,需要的朋友可以參考下

tomorrow是我最近在用的一個爬蟲利器，該模塊屬于第三方的一個模塊，使用起來非常的方便，只需要用其中的threads方法作為裝飾器去修飾一個普通的函數(shù)，既可以達到并發(fā)的效果，本篇將用實例來展示tomorrow的強大之處。后面將對tomorrow的實現(xiàn)原理做進一步的分析。

1.安裝第三方包

pip install requests_html #網(wǎng)絡(luò)請求包
pip install fake-useragent #獲取useragent包
pip install tomorrow

2.普通下載方式

在這里我們用20個電影網(wǎng)址進行測試，并獲取其標題，計算所用的時間

start=time.time()
for i in url_list:
   print(get_xpath(get_req(i),"http://title//text()"))
end=time.time()
print("普通方式花費時間",end-start)

get_req是我定義的訪問網(wǎng)絡(luò)的一個方法，get_xpath是為例使用xpath表達式獲取其結(jié)果，這里是獲取網(wǎng)址的標題。20個電影網(wǎng)址普通方式訪問的結(jié)果在8-9秒之間。

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, "http://title//text()"))
end2 = time.time()
print("并發(fā)后花費時間", end2 - start2)

如果我們想要使用tomorrow，就要盡量減少耗時操作，訪問網(wǎng)絡(luò)并等待其回應(yīng)就是一個非常耗時的工作，在這里我們需要做的是，并發(fā)的時候除了訪問網(wǎng)絡(luò)不要做其他操作，然后我們把獲取的請求存一個列表，然后再去循環(huán)做其他操作，看不懂我說的沒關(guān)系，直接看下面代碼并嘗試幾次就明白了。

4.測試結(jié)果對比

來看程序的完整代碼:

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),"http://title//text()"))
end=time.time()
print("普通方式花費時間",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, "http://title//text()"))
end2 = time.time()
print("并發(fā)后花費時間", end2 - start2)

運行三次上面的程序記錄下每次的結(jié)果

第一次：
普通方式花費時間 7.883908271789551
并發(fā)后花費時間 2.2888755798339844
第二次:
普通方式花費時間 8.522203207015991
并發(fā)后花費時間 2.4674007892608643
第三次:
普通方式花費時間 9.062756061553955
并發(fā)后花費時間 2.8703203201293945

tomorrow使用起來很簡單，在普通的函數(shù)上面加個threads裝飾器即可以實現(xiàn)并發(fā)效果，括號中的數(shù)字是表示并發(fā)的次數(shù)，經(jīng)過我的測試并不是并發(fā)次數(shù)越多越好，你需要選擇一個中間點，因為還會受到網(wǎng)速的影響，我覺得一般并發(fā)數(shù)5-10就好.

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: