Python爬虫中的并发编程怎么应用

时间：2023-05-14 22:46

什么是并发编程

并发编程是指在一个时间段内，能够执行多个操作的程序设计，通常表现为程序中有多个任务同时启动，可以运行并且相互之间不会产生影响。并发编程的好处是可以提高程序的性能和响应能力。

并发编程在爬虫中的应用

爬虫程序是典型的 I/O 密集型任务，对于 I/O 密集型任务来说，多线程和异步 I/O 都是很好的选择，因为当程序的某个部分因 I/O 操作阻塞时，程序的其他部分仍然可以运转，这样我们不用在等待和阻塞中浪费大量的时间。

单线程版本

我们首先来看单线程版本的爬虫程序。这个爬虫程序使用了requests库获取 JSON 数据，并通过open函数将图片保存到本地。

"""example04.py - 单线程版本爬虫"""import osimport requestsdef 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 系统上，我们可以使用time命令来了解上面代码的执行时间以及 CPU 的利用率，如下所示。

time python3 example04.py

下面是单线程爬虫代码在我的电脑上执行的结果。

python3 example04.py 2.36s user 0.39s system 12% cpu 21.578 total

这里我们只需要关注代码的总耗时为21.578秒，CPU 利用率为12%。

多线程版本

我们使用之前讲到过的线程池技术，将上面的代码修改为多线程版本。

"""example05.py - 多线程版本爬虫"""import osfrom concurrent.futures import ThreadPoolExecutorimport requestsdef 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()

执行如下所示的命令。

time python3 example05.py

代码的执行结果如下所示：

python3 example05.py 2.65s user 0.40s system 95% cpu 3.193 total

异步I/O版本

我们使用aiohttp将上面的代码修改为异步 I/O 的版本。为了以异步 I/O 的方式实现网络资源的获取和写文件操作，我们首先得安装三方库aiohttp和aiofile。

pip install aiohttp aiofile

下面是异步 I/O 版本的爬虫代码。

"""example06.py - 异步I/O版本爬虫"""import asyncioimport jsonimport osimport aiofileimport aiohttpasync 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())

执行如下所示的命令。