Python爬蟲(chóng)中的并發(fā)編程詳解
并發(fā)編程在爬蟲(chóng)中的應(yīng)用
本文將為大家介紹 Python 中的多線程、多進(jìn)程和異步編程,并且以爬取“360圖片”網(wǎng)站的圖片并保存到本地為例,為大家分別展示使用單線程、多線程和異步 I/O 編程的爬蟲(chóng)程序有什么區(qū)別,同時(shí)也對(duì)它們的執(zhí)行效率進(jìn)行簡(jiǎn)單的對(duì)比。
什么是并發(fā)編程
并發(fā)編程是指在一個(gè)時(shí)間段內(nèi),能夠執(zhí)行多個(gè)操作的程序設(shè)計(jì),通常表現(xiàn)為程序中有多個(gè)任務(wù)同時(shí)啟動(dòng),可以運(yùn)行并且相互之間不會(huì)產(chǎn)生影響。并發(fā)編程的好處是可以提高程序的性能和響應(yīng)能力。
并發(fā)編程在爬蟲(chóng)中的應(yīng)用
爬蟲(chóng)程序是典型的 I/O 密集型任務(wù),對(duì)于 I/O 密集型任務(wù)來(lái)說(shuō),多線程和異步 I/O 都是很好的選擇,因?yàn)楫?dāng)程序的某個(gè)部分因 I/O 操作阻塞時(shí),程序的其他部分仍然可以運(yùn)轉(zhuǎn),這樣我們不用在等待和阻塞中浪費(fèi)大量的時(shí)間。
單線程版本
我們首先來(lái)看單線程版本的爬蟲(chóng)程序。這個(gè)爬蟲(chóng)程序使用了requests庫(kù)獲取 JSON 數(shù)據(jù),并通過(guò)open函數(shù)將圖片保存到本地。
"""
example04.py - 單線程版本爬蟲(chóng)
"""
import os
import requests
def download_picture(url):
filename = url[url.rfind('/') + 1:]
resp = requests.get(url)
if resp.status_code == 200:
with open(f'images/beauty/{filename}', 'wb') as file:
file.write(resp.content)
def main():
if not os.path.exists('images/beauty'):
os.makedirs('images/beauty')
for page in range(3):
resp = requests.get(f'<https://image.so.com/zjl?ch=beauty&sn=>{page * 30}')
if resp.status_code == 200:
pic_dict_list = resp.json()['list']
for pic_dict in pic_dict_list:
download_picture(pic_dict['qhimg_url'])
if __name__ == '__main__':
main()在 macOS 或 Linux 系統(tǒng)上,我們可以使用time命令來(lái)了解上面代碼的執(zhí)行時(shí)間以及 CPU 的利用率,如下所示。
time python3 example04.py
下面是單線程爬蟲(chóng)代碼在我的電腦上執(zhí)行的結(jié)果。
python3 example04.py 2.36s user 0.39s system 12% cpu 21.578 total
這里我們只需要關(guān)注代碼的總耗時(shí)為21.578秒,CPU 利用率為12%。
多線程版本
我們使用之前講到過(guò)的線程池技術(shù),將上面的代碼修改為多線程版本。
"""
example05.py - 多線程版本爬蟲(chóng)
"""
import os
from concurrent.futures import ThreadPoolExecutor
import requests
def download_picture(url):
filename = url[url.rfind('/') + 1:]
resp = requests.get(url)
if resp.status_code == 200:
with open(f'images/beauty/{filename}', 'wb') as file:
file.write(resp.content)
def main():
if not os.path.exists('images/beauty'):
os.makedirs('images/beauty')
with ThreadPoolExecutor(max_workers=16) as pool:
for page in range(3):
resp = requests.get(f'<https://image.so.com/zjl?ch=beauty&sn=>{page * 30}')
if resp.status_code == 200:
pic_dict_list = resp.json()['list']
for pic_dict in pic_dict_list:
pool.submit(download_picture, pic_dict['qhimg_url'])
if __name__ == '__main__':
main()執(zhí)行如下所示的命令。
time python3 example05.py
代碼的執(zhí)行結(jié)果如下所示:
python3 example05.py 2.65s user 0.40s system 95% cpu 3.193 total
異步I/O版本
我們使用aiohttp將上面的代碼修改為異步 I/O 的版本。為了以異步 I/O 的方式實(shí)現(xiàn)網(wǎng)絡(luò)資源的獲取和寫(xiě)文件操作,我們首先得安裝三方庫(kù)aiohttp和aiofile。
pip install aiohttp aiofile
下面是異步 I/O 版本的爬蟲(chóng)代碼。
"""
example06.py - 異步I/O版本爬蟲(chóng)
"""
import asyncio
import json
import os
import aiofile
import aiohttp
async def download_picture(session, url):
filename = url[url.rfind('/') + 1:]
async with session.get(url, ssl=False) as resp:
if resp.status == 200:
data = await resp.read()
async with aiofile.async_open(f'images/beauty/{filename}', 'wb') as file:
await file.write(data)
async def main():
if not os.path.exists('images/beauty'):
os.makedirs('images/beauty')
async with aiohttp.ClientSession() as session:
tasks = []
for page in range(3):
resp = await session.get(f'<https://image.so.com/zjl?ch=beauty&sn=>{page * 30}')
if resp.status == 200:
pic_dict_list = (await resp.json())['list']
for pic_dict in pic_dict_list:
tasks.append(asyncio.ensure_future(download_picture(session, pic_dict['qhimg_url'])))
await asyncio.gather(*tasks)
if __name__ == '__main__':
loop = asyncio.get_event_loop()
loop.run_until_complete(main())執(zhí)行如下所示的命令。
time python3 example06.py
代碼的執(zhí)行結(jié)果如下所示:
python3 example06.py 0.92s user 0.27s system 290% cpu 0.420 total
相對(duì)于單線程版本的爬蟲(chóng)程序,多線程版本和異步 I/O 版本的爬蟲(chóng)程序在執(zhí)行上的時(shí)間上有了顯著的提升,而且異步 I/O 版本的爬蟲(chóng)程序表現(xiàn)最佳。
總結(jié):通過(guò)對(duì)單線程版本、多線程版本和異步 I/O 版本的爬蟲(chóng)程序的對(duì)比,我們可以看出在爬蟲(chóng)程序中使用異步 I/O 可以更好地發(fā)揮程序的性能和響應(yīng)能力。因此,我們?cè)趯?shí)際的開(kāi)發(fā)中應(yīng)該更加注重并發(fā)編程的應(yīng)用。
到此這篇關(guān)于Python爬蟲(chóng)中的并發(fā)編程詳解的文章就介紹到這了,更多相關(guān)Python并發(fā)編程內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
ndarray數(shù)組的轉(zhuǎn)置(transpose)和軸對(duì)換方式
這篇文章主要介紹了ndarray數(shù)組的轉(zhuǎn)置(transpose)和軸對(duì)換方式,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-02-02
PowerBI和Python關(guān)于數(shù)據(jù)分析的對(duì)比
這篇文章主要介紹了PowerBI和Python關(guān)于數(shù)據(jù)分析的對(duì)比,很多經(jīng)常會(huì)用到數(shù)據(jù)分析的伙伴會(huì)問(wèn)有沒(méi)有一款便捷好用的工具!肯定有啊,Python的出現(xiàn)和普及,很容易就能改變這些窘境,需要的朋友可以參考下2019-07-07
對(duì)python讀取zip壓縮文件里面的csv數(shù)據(jù)實(shí)例詳解
今天小編就為大家分享一篇對(duì)python讀取zip壓縮文件里面的csv數(shù)據(jù)實(shí)例詳解,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(guò)來(lái)看看吧2019-02-02
教你利用python的matplotlib(pyplot)繪制折線圖和柱狀圖
Python繪圖需要下載安裝matplotlib模塊,它是一個(gè)數(shù)學(xué)繪圖庫(kù),我們將使用它來(lái)制作簡(jiǎn)單的圖表,如折線圖和散點(diǎn)圖,下面這篇文章主要給大家介紹了關(guān)于利用python的matplotlib(pyplot)繪制折線圖和柱狀圖的相關(guān)資料,需要的朋友可以參考下2022-05-05

