web數(shù)據(jù)抓取是一個(gè)經(jīng)常在python的討論中出現(xiàn)的主題。有很多方法可以用來(lái)進(jìn)行web數(shù)據(jù)抓取，然而其中好像并沒(méi)有一個(gè)最好的辦法。有一些如scrapy這樣十分成熟的框架，更多的則是像mechanize這樣的輕量級(jí)庫(kù)。DIY自己的解決方案同樣十分流行：你可以使用requests、beautifulsoup或者pyquery來(lái)實(shí)現(xiàn)。

方法如此多樣的原因在于，數(shù)據(jù)“抓取”實(shí)際上包括很多問(wèn)題：你不需要使用相同的工具從成千上萬(wàn)的頁(yè)面中抓取數(shù)據(jù)，同時(shí)使一些Web工作流自動(dòng)化（例如填一些表單然后取回?cái)?shù)據(jù)）。我喜歡DIY的原因在于其靈活性，但是卻不適合用來(lái)做大量數(shù)據(jù)的抓取，因?yàn)樾枰?qǐng)求同步，所以大量的請(qǐng)求意味著你不得不等待很長(zhǎng)時(shí)間。

在本文中，我將會(huì)為你展示一個(gè)基于新的異步庫(kù)（aiohttp）的請(qǐng)求的代替品。我使用它寫(xiě)了一些速度的確很快的小數(shù)據(jù)抓取器，下面我將會(huì)為你演示是如何做到的。

asyncio的基本概念
asyncio是在python3.4中被引進(jìn)的異步IO庫(kù)。你也可以通過(guò)python3.3的pypi來(lái)安裝它。它相當(dāng)?shù)膹?fù)雜，而且我不會(huì)介紹太多的細(xì)節(jié)。相反，我將會(huì)解釋你需要知道些什么，以利用它來(lái)寫(xiě)異步的代碼。

簡(jiǎn)而言之，有兩件事情你需要知道：協(xié)同程序和事件循環(huán)。協(xié)同程序像是方法，但是它們可以在代碼中的特定點(diǎn)暫停和繼續(xù)。當(dāng)在等待一個(gè)IO（比如一個(gè)HTTP請(qǐng)求），同時(shí)執(zhí)行另一個(gè)請(qǐng)求的時(shí)候，可以用來(lái)暫停一個(gè)協(xié)同程序。我們使用關(guān)鍵字yield from來(lái)設(shè)定一個(gè)狀態(tài)，表明我們需要一個(gè)協(xié)同程序的返回值。而事件循環(huán)則被用來(lái)安排協(xié)同程序的執(zhí)行。

關(guān)于asyncio還有很多很多，但是以上是我們到目前為止需要知道的?？赡苣氵€有些不清楚，那么讓我們來(lái)看一些代碼吧。

aiohttp
aiohttp是一個(gè)利用asyncio的庫(kù)，它的API看起來(lái)很像請(qǐng)求的API。到目前為止，相關(guān)文檔還不健全。但是這里有一些非常有用的例子。我們將會(huì)演示它的基本用法。

首先，我們會(huì)定義一個(gè)協(xié)同程序用來(lái)獲取頁(yè)面，并打印出來(lái)。我們使用 asyncio.coroutine將一個(gè)方法裝飾成一個(gè)協(xié)同程序。aiohttp.request是一個(gè)協(xié)同程序，所以它是一個(gè)可讀方法，我們需要使用yield from來(lái)調(diào)用它們。除了這些，下面的代碼看起來(lái)相當(dāng)直觀(guān)：
 

@asyncio.coroutine
def print_page(url):
  response = yield from aiohttp.request('GET', url)
  body = yield from response.read_and_close(decode=True)
  print(body)

如你所見(jiàn)，我們可以使用yield from從另一個(gè)協(xié)同程序中調(diào)用一個(gè)協(xié)同程序。為了從同步代碼中調(diào)用一個(gè)協(xié)同程序，我們需要一個(gè)事件循環(huán)。我們可以通過(guò)asyncio.get_event_loop()得到一個(gè)標(biāo)準(zhǔn)的事件循環(huán)，之后使用它的run_until_complete()方法來(lái)運(yùn)行協(xié)同程序。所以，為了使之前的協(xié)同程序運(yùn)行，我們只需要做下面的步驟：
 

loop = asyncio.get_event_loop()
loop.run_until_complete(print_page('http://example.com'))

一個(gè)有用的方法是asyncio.wait，通過(guò)它可以獲取一個(gè)協(xié)同程序的列表，同時(shí)返回一個(gè)將它們?nèi)ㄔ趦?nèi)的單獨(dú)的協(xié)同程序，所以我們可以這樣寫(xiě)：
 

loop.run_until_complete(asyncio.wait([print_page('http://example.com/foo'),
                   print_page('http://example.com/bar')]))

另一個(gè)是asyncio.as_completed，通過(guò)它可以獲取一個(gè)協(xié)同程序的列表，同時(shí)返回一個(gè)按完成順序生成協(xié)同程序的迭代器，因此當(dāng)你用它迭代時(shí)，會(huì)盡快得到每個(gè)可用的結(jié)果。

數(shù)據(jù)抓取
現(xiàn)在我們知道了如何做異步HTTP請(qǐng)求，因此我們可以來(lái)寫(xiě)一個(gè)數(shù)據(jù)抓取器了。我們僅僅還需要一些工具來(lái)讀取html頁(yè)面，我使用了beautifulsoup來(lái)做這個(gè)事情，其余的像 pyquery或lxml也可以實(shí)現(xiàn)。

在這個(gè)例子中，我們會(huì)寫(xiě)一個(gè)小數(shù)據(jù)抓取器來(lái)從海盜灣抓取一些linux distributions的torrent 鏈路（海盜灣（英語(yǔ)：The Pirate Bay，縮寫(xiě)：TPB）是一個(gè)專(zhuān)門(mén)存儲(chǔ)、分類(lèi)及搜索Bittorrent種子文件的網(wǎng)站，并自稱(chēng)“世界最大的BitTorrent tracker（BT種子服務(wù)器）”，提供的BT種子除了有自由版權(quán)的收集外，也有不少被著作人聲稱(chēng)擁有版權(quán)的音頻、視頻、應(yīng)用軟件與電子游戲等，為網(wǎng)絡(luò)分享與下載的重要網(wǎng)站之一–譯者注來(lái)自維基百科）

首先，需要一個(gè)輔助協(xié)同程序來(lái)獲取請(qǐng)求：
 

@asyncio.coroutine
def get(*args, **kwargs):
  response = yield from aiohttp.request('GET', *args, **kwargs)
  return (yield from response.read_and_close(decode=True))

解析部分。本文并非介紹beautifulsoup的，所以這部分我會(huì)簡(jiǎn)寫(xiě)：我們獲取了這個(gè)頁(yè)面的第一個(gè)磁鏈。
 

def first_magnet(page):
  soup = bs4.BeautifulSoup(page)
  a = soup.find('a', title='Download this torrent using magnet')
  return a['href']

在這個(gè)協(xié)同程序中，url的結(jié)果通過(guò)種子的數(shù)量進(jìn)行排序，所以排名第一的結(jié)果實(shí)際上是種子最多的：
 

@asyncio.coroutine
def print_magnet(query):
  url = 'http://thepiratebay.se/search/{}/0/7/0'.format(query)
  page = yield from get(url, compress=True)
  magnet = first_magnet(page)
  print('{}: {}'.format(query, magnet))

最后，用下面的代碼來(lái)調(diào)用以上所有的方法。
 

distros = ['archlinux', 'ubuntu', 'debian']
loop = asyncio.get_event_loop()
f = asyncio.wait([print_magnet(d) for d in distros])
loop.run_until_complete(f)

結(jié)論
好了，現(xiàn)在我們來(lái)到了這個(gè)部分。你有了一個(gè)異步工作的小抓取器。這意味著多個(gè)頁(yè)面可以同時(shí)被下載，所以這個(gè)例子要比使用請(qǐng)求的相同代碼快3倍?，F(xiàn)在你應(yīng)該可以用相同的方法寫(xiě)出你自己的抓取器了。

你可以在這里找到生成的代碼，也包括一些額外的建議。

你一旦熟悉了這一切，我建議你看一看asyncio的文檔和aiohttp的范例，這些都能告訴你 asyncio擁有怎樣的潛力。

這種方法（事實(shí)上是所有手動(dòng)的方法）的一個(gè)局限在于，沒(méi)有一個(gè)獨(dú)立的庫(kù)可以用來(lái)處理表單。機(jī)械化的方法擁有很多輔助工具，這使得提交表單變得十分簡(jiǎn)單，但是如果你不使用它們，你將不得不自己去處理這些事情。這可能會(huì)導(dǎo)致一些bug的出現(xiàn)，所以同時(shí)我可能會(huì)寫(xiě)一個(gè)這樣的庫(kù)（不過(guò)目前為止無(wú)需為此擔(dān)心）。

額外的建議：不要敲打服務(wù)器
同時(shí)做3個(gè)請(qǐng)求很酷，但是同時(shí)做5000個(gè)就不那么好玩了。如果你打算同時(shí)做太多的請(qǐng)求，鏈接有可能會(huì)斷掉。你甚至有可能會(huì)被禁止鏈接網(wǎng)絡(luò)。

為了避免這些，你可以使用semaphore。這是一個(gè)可以被用來(lái)限制同時(shí)工作的協(xié)同程序數(shù)量的同步工具。我們只需要在建立循環(huán)之前創(chuàng)建一個(gè)semaphore ，同時(shí)把我們希望允許的同時(shí)請(qǐng)求的數(shù)量作為參數(shù)傳給它既可：
 

sem = asyncio.Semaphore(5)

然后，我們只需要將下面
 

page = yield from get(url, compress=True)

替換成被semaphore 保護(hù)的同樣的東西。
 

with (yield from sem):
  page = yield from get(url, compress=True)

這就可以保證同時(shí)最多有5個(gè)請(qǐng)求會(huì)被處理。

額外建議：進(jìn)度條
這個(gè)東東是免費(fèi)的哦：tqdm是一個(gè)用來(lái)生成進(jìn)度條的優(yōu)秀的庫(kù)。這個(gè)協(xié)同程序就像asyncio.wait一樣工作，不過(guò)會(huì)顯示一個(gè)代表完成度的進(jìn)度條。
 

@asyncio.coroutine
def wait_with_progress(coros):
  for f in tqdm.tqdm(asyncio.as_completed(coros), total=len(coros)):
    yield from f

最新評(píng)論