Python并發(fā)爬蟲常用實(shí)現(xiàn)方法解析
在進(jìn)行單個(gè)爬蟲抓取的時(shí)候，我們不可能按照一次抓取一個(gè)url的方式進(jìn)行網(wǎng)頁抓取，這樣效率低，也浪費(fèi)了cpu的資源。目前python上面進(jìn)行并發(fā)抓取的實(shí)現(xiàn)方式主要有以下幾種：進(jìn)程，線程，協(xié)程。進(jìn)程不在的討論范圍之內(nèi)，一般來說，進(jìn)程是用來開啟多個(gè)spider，比如我們開啟了4進(jìn)程，同時(shí)派發(fā)4個(gè)spider進(jìn)行網(wǎng)絡(luò)抓取，每個(gè)spider同時(shí)抓取4個(gè)url。
所以，我們今天討論的是，在單個(gè)爬蟲的情況下，盡可能的在同一個(gè)時(shí)間并發(fā)抓取，并且抓取的效率要高。
一.順序抓取
順序抓取是最最常見的抓取方式，一般初學(xué)爬蟲的朋友就是利用這種方式，下面是一個(gè)測(cè)試代碼，順序抓取8個(gè)url，我們可以來測(cè)試一下抓取完成需要多少時(shí)間：
HEADERS = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9',
'Accept-Language': 'zh-CN,zh;q=0.8',
'Accept-Encoding': 'gzip, deflate',}
URLS = ['http://www.cnblogs.com/moodlxs/p/3248890.html',
'https://www.zhihu.com/topic/19804387/newest',
'http://blog.csdn.net/yueguanghaidao/article/details/24281751',
'https://my.oschina.net/visualgui823/blog/36987',
'http://blog.chinaunix.net/uid-9162199-id-4738168.html',
'http://www.tuicool.com/articles/u67Bz26',
'http://rfyiamcool.blog.51cto.com/1030776/1538367/',
'http://itindex.net/detail/26512-flask-tornado-gevent']
#url為隨機(jī)獲取的一批url
def func():
"""
順序抓取
"""
import requests
import time
urls = URLS
headers = HEADERS
headers['user-agent'] = "Mozilla/5.0+(Windows+NT+6.2;+WOW64)+AppleWebKit/537" \
".36+(KHTML,+like+Gecko)+Chrome/45.0.2454.101+Safari/537.36"
print(u'順序抓取')
starttime= time.time()
for url in urls:
try:
r = requests.get(url, allow_redirects=False, timeout=2.0, headers=headers)
except:
pass
else:
print(r.status_code, r.url)
endtime=time.time()
print(endtime-starttime)
func()
我們直接采用內(nèi)建的time.time()來計(jì)時(shí)，較為粗略，但可以反映大概的情況。下面是順序抓取的結(jié)果計(jì)時(shí)：
可以從圖片中看到，顯示的順序與urls的順序是一模一樣的，總共耗時(shí)為7.763269901275635秒，一共8個(gè)url，平均抓取一個(gè)大概需要0.97秒。總體來看，還可以接受。
二.多線程抓取
線程是python內(nèi)的一種較為不錯(cuò)的并發(fā)方式，我們也給出相應(yīng)的代碼，并且為每個(gè)url創(chuàng)建了一個(gè)線程，一共8線程并發(fā)抓取，下面的代碼：
下面是我們運(yùn)行8線程的測(cè)試代碼：
HEADERS = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9',
'Accept-Language': 'zh-CN,zh;q=0.8',
'Accept-Encoding': 'gzip, deflate',}
URLS = ['http://www.cnblogs.com/moodlxs/p/3248890.html',
'https://www.zhihu.com/topic/19804387/newest',
'http://blog.csdn.net/yueguanghaidao/article/details/24281751',
'https://my.oschina.net/visualgui823/blog/36987',
'http://blog.chinaunix.net/uid-9162199-id-4738168.html',
'http://www.tuicool.com/articles/u67Bz26',
'http://rfyiamcool.blog.51cto.com/1030776/1538367/',
'http://itindex.net/detail/26512-flask-tornado-gevent']
def thread():
from threading import Thread
import requests
import time
urls = URLS
headers = HEADERS
headers['user-agent'] = "Mozilla/5.0+(Windows+NT+6.2;+WOW64)+AppleWebKit/537.36+" \
"(KHTML,+like+Gecko)+Chrome/45.0.2454.101+Safari/537.36"
def get(url):
try:
r = requests.get(url, allow_redirects=False, timeout=2.0, headers=headers)
except:
pass
else:
print(r.status_code, r.url)
print(u'多線程抓取')
ts = [Thread(target=get, args=(url,)) for url in urls]
starttime= time.time()
for t in ts:
t.start()
for t in ts:
t.join()
endtime=time.time()
print(endtime-starttime)
thread()
多線程抓住的時(shí)間如下：
可以看到相較于順序抓取，8線程的抓取效率明顯上升了3倍多，全部完成只消耗了2.154秒?？梢钥吹斤@示的結(jié)果已經(jīng)不是urls的順序了，說明每個(gè)url各自完成的時(shí)間都是不一樣的。線程就是在一個(gè)進(jìn)程中不斷的切換，讓每個(gè)線程各自運(yùn)行一會(huì)，這對(duì)于網(wǎng)絡(luò)io來說，性能是非常高的。但是線程之間的切換是挺浪費(fèi)資源的。
三.gevent并發(fā)抓取
gevent是一種輕量級(jí)的協(xié)程，可用它來代替線程，而且，他是在一個(gè)線程中運(yùn)行，機(jī)器資源的損耗比線程低很多。如果遇到了網(wǎng)絡(luò)io阻塞，會(huì)馬上切換到另一個(gè)程序中去運(yùn)行，不斷的輪詢，來降低抓取的時(shí)間
下面是測(cè)試代碼：
HEADERS = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9',
'Accept-Language': 'zh-CN,zh;q=0.8',
'Accept-Encoding': 'gzip, deflate',}
URLS = ['http://www.cnblogs.com/moodlxs/p/3248890.html',
'https://www.zhihu.com/topic/19804387/newest',
'http://blog.csdn.net/yueguanghaidao/article/details/24281751',
'https://my.oschina.net/visualgui823/blog/36987',
'http://blog.chinaunix.net/uid-9162199-id-4738168.html',
'http://www.tuicool.com/articles/u67Bz26',
'http://rfyiamcool.blog.51cto.com/1030776/1538367/',
'http://itindex.net/detail/26512-flask-tornado-gevent']
def main():
"""
gevent并發(fā)抓取
"""
import requests
import gevent
import time
headers = HEADERS
headers['user-agent'] = "Mozilla/5.0+(Windows+NT+6.2;+WOW64)+AppleWebKit/537.36+" \
"(KHTML,+like+Gecko)+Chrome/45.0.2454.101+Safari/537.36"
urls = URLS
def get(url):
try:
r = requests.get(url, allow_redirects=False, timeout=2.0, headers=headers)
except:
pass
else:
print(r.status_code, r.url)
print(u'基于gevent的并發(fā)抓取')
starttime= time.time()
g = [gevent.spawn(get, url) for url in urls]
gevent.joinall(g)
endtime=time.time()
print(endtime - starttime)
main()
協(xié)程的抓取時(shí)間如下：
正常情況下，gevent的并發(fā)抓取與多線程的消耗時(shí)間差不了多少，但是可能是我網(wǎng)絡(luò)的原因，或者機(jī)器的性能的原因，時(shí)間有點(diǎn)長......,請(qǐng)各位小主在自己電腦進(jìn)行跑一下看運(yùn)行時(shí)間
四.基于tornado的coroutine并發(fā)抓取
tornado中的coroutine是python中真正意義上的協(xié)程，與python3中的asyncio幾乎是完全一樣的，而且兩者之間的future是可以相互轉(zhuǎn)換的，tornado中有與asyncio相兼容的接口。
下面是利用tornado中的coroutine進(jìn)行并發(fā)抓取的代碼：
利用coroutine編寫并發(fā)略顯復(fù)雜，但這是推薦的寫法，如果你使用的是python3，強(qiáng)烈建議你使用coroutine來編寫并發(fā)抓取。
下面是測(cè)試代碼：
HEADERS = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9',
'Accept-Language': 'zh-CN,zh;q=0.8',
'Accept-Encoding': 'gzip, deflate',}
URLS = ['http://www.cnblogs.com/moodlxs/p/3248890.html',
'https://www.zhihu.com/topic/19804387/newest',
'http://blog.csdn.net/yueguanghaidao/article/details/24281751',
'https://my.oschina.net/visualgui823/blog/36987',
'http://blog.chinaunix.net/uid-9162199-id-4738168.html',
'http://www.tuicool.com/articles/u67Bz26',
'http://rfyiamcool.blog.51cto.com/1030776/1538367/',
'http://itindex.net/detail/26512-flask-tornado-gevent']
import time
from tornado.gen import coroutine
from tornado.ioloop import IOLoop
from tornado.httpclient import AsyncHTTPClient, HTTPError
from tornado.httpclient import HTTPRequest
#urls與前面相同
class MyClass(object):
def __init__(self):
#AsyncHTTPClient.configure("tornado.curl_httpclient.CurlAsyncHTTPClient")
self.http = AsyncHTTPClient()
@coroutine
def get(self, url):
#tornado會(huì)自動(dòng)在請(qǐng)求首部帶上host首部
request = HTTPRequest(url=url,
method='GET',
headers=HEADERS,
connect_timeout=2.0,
request_timeout=2.0,
follow_redirects=False,
max_redirects=False,
user_agent="Mozilla/5.0+(Windows+NT+6.2;+WOW64)+AppleWebKit/537.36+\
(KHTML,+like+Gecko)+Chrome/45.0.2454.101+Safari/537.36",)
yield self.http.fetch(request, callback=self.find, raise_error=False)
def find(self, response):
if response.error:
print(response.error)
print(response.code, response.effective_url, response.request_time)
class Download(object):
def __init__(self):
self.a = MyClass()
self.urls = URLS
@coroutine
def d(self):
print(u'基于tornado的并發(fā)抓取')
starttime = time.time()
yield [self.a.get(url) for url in self.urls]
endtime=time.time()
print(endtime-starttime)
if __name__ == '__main__':
dd = Download()
loop = IOLoop.current()
loop.run_sync(dd.d)
抓取的時(shí)間如下：
可以看到總共花費(fèi)了128087秒，而這所花費(fèi)的時(shí)間恰恰就是最后一個(gè)url抓取所需要的時(shí)間，tornado中自帶了查看每個(gè)請(qǐng)求的相應(yīng)時(shí)間。我們可以從圖中看到，最后一個(gè)url抓取總共花了1.28087秒，相較于其他時(shí)間大大的增加，這也是導(dǎo)致我們消耗時(shí)間過長的原因。那可以推斷出，前面的并發(fā)抓取，也在這個(gè)url上花費(fèi)了較多的時(shí)間。
總結(jié)：
以上測(cè)試其實(shí)非常的不嚴(yán)謹(jǐn)，因?yàn)槲覀冞x取的url的數(shù)量太少了，完全不能反映每一種抓取方式的優(yōu)劣。如果有一萬個(gè)不同的url同時(shí)抓取，那么記下總抓取時(shí)間，是可以得出一個(gè)較為客觀的結(jié)果的。
并且，已經(jīng)有人測(cè)試過，多線程抓取的效率是遠(yuǎn)不如gevent的。所以，如果你使用的是python2，那么我推薦你使用gevent進(jìn)行并發(fā)抓??；如果你使用的是python3，我推薦你使用tornado的http客戶端結(jié)合coroutine進(jìn)行并發(fā)抓取。從上面的結(jié)果來看，tornado的coroutine是高于gevent的輕量級(jí)的協(xié)程的。但具體結(jié)果怎樣，我沒測(cè)試過。
以上就是本文的全部內(nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
- python爬蟲scrapy基于CrawlSpider類的全站數(shù)據(jù)爬取示例解析
- python爬蟲scrapy框架的梨視頻案例解析
- python爬蟲beautifulsoup解析html方法
- Python爬蟲過程解析之多線程獲取小米應(yīng)用商店數(shù)據(jù)
- Python抓包并解析json爬蟲的完整實(shí)例代碼
- Python爬蟲抓取論壇關(guān)鍵字過程解析
- python爬蟲爬取網(wǎng)頁數(shù)據(jù)并解析數(shù)據(jù)
- Python爬蟲使用bs4方法實(shí)現(xiàn)數(shù)據(jù)解析
- Python爬蟲設(shè)置ip代理過程解析
- python 用遞歸實(shí)現(xiàn)通用爬蟲解析器
相關(guān)文章
這篇文章主要為大家詳細(xì)介紹了python繪制柱形圖的方法，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2022-04-04
Pytorch出現(xiàn)錯(cuò)誤Attribute?Error:module?‘torch‘?has?no?attrib
這篇文章主要給大家介紹了關(guān)于Pytorch出現(xiàn)錯(cuò)誤Attribute?Error:module?‘torch‘?has?no?attribute?'_six'解決的相關(guān)資料,文中通過圖文介紹的非常詳細(xì),需要的朋友可以參考下2023-11-11
我們?cè)谑褂门老x來抓取網(wǎng)頁內(nèi)容的時(shí)候，HTTP異常是必須要注意的一項(xiàng)，所以本文，我們來詳細(xì)探尋一下HTTP異常處理的相關(guān)內(nèi)容，通過一些具體的實(shí)例來分析一下，非常的簡單，但是卻很實(shí)用。2014-11-11
這篇文章主要介紹了Python簡單獲取自身外網(wǎng)IP的方法,涉及Python基于第三方平臺(tái)獲取本機(jī)外網(wǎng)IP的操作技巧,需要的朋友可以參考下2016-09-09
Python如何實(shí)現(xiàn)定時(shí)器功能
在本篇文章里小編給大家分享的是關(guān)于Python中的簡單定時(shí)器實(shí)例及代碼，需要的朋友們可以學(xué)習(xí)下。2020-05-05
python將pandas datarame保存為txt文件的實(shí)例
今天小編就為大家分享一篇python將pandas datarame保存為txt文件的實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-02-02
Python編程利用Numpy和PIL庫將圖片轉(zhuǎn)化為手繪
這篇文章主要介紹了Python編程利用Numpy和PIL庫將一張圖片轉(zhuǎn)化為手繪風(fēng)格，文中附含詳細(xì)實(shí)現(xiàn)的示例代碼，有需要的朋友可以借鑒參考下2021-09-09
對(duì)pandas replace函數(shù)的使用方法小結(jié)
今天小編就為大家分享一篇對(duì)pandas replace函數(shù)的使用方法小結(jié)，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2018-05-05
Django讀取Mysql數(shù)據(jù)并顯示在前端的實(shí)例
今天小編就為大家分享一篇Django讀取Mysql數(shù)據(jù)并顯示在前端的實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2018-05-05