Python中利用aiohttp制作異步爬蟲及簡單應用

2020-01-04 13:58:06

字體：大中小

來源：轉載

供稿：網友

摘要：簡介 asyncio可以實現單線程并發IO操作，是Python中常用的異步處理模塊。關于asyncio模塊的介紹，筆者會在后續的文章中加以介紹，本文將會講述一個基于asyncio實現的HTTP框架——aiohttp，它可以幫助我們異步地實現HTTP請求，從而使得我們的程序效率大大提高。

簡介

asyncio可以實現單線程并發IO操作，是Python中常用的異步處理模塊。關于asyncio模塊的介紹，筆者會在后續的文章中加以介紹，本文將會講述一個基于asyncio實現的HTTP框架——aiohttp，它可以幫助我們異步地實現HTTP請求，從而使得我們的程序效率大大提高。

本文將會介紹aiohttp在爬蟲中的一個簡單應用。

在原來的項目中，我們是利用Python的爬蟲框架scrapy來爬取當當網圖書暢銷榜的圖書信息的。在本文中，筆者將會以兩種方式來制作爬蟲，比較同步爬蟲與異步爬蟲(利用aiohttp實現)的效率，展示aiohttp在爬蟲方面的優勢。

同步爬蟲

首先，我們先來看看用一般的方法實現的爬蟲，即同步方法，完整的Python代碼如下：

'''同步方式爬取當當暢銷書的圖書信息'''import timeimport requestsimport pandas as pdfrom bs4 import BeautifulSoup# table表格用于儲存書本信息table = []# 處理網頁def download(url):html = requests.get(url).text# 利用BeautifulSoup將獲取到的文本解析成HTMLsoup = BeautifulSoup(html, "lxml")# 獲取網頁中的暢銷書信息book_list = soup.find('ul', class_="bang_list clearfix bang_list_mode")('li')for book in book_list:info = book.find_all('div')# 獲取每本暢銷書的排名，名稱，評論數，作者，出版社rank = info[0].text[0:-1]name = info[2].textcomments = info[3].text.split('條')[0]author = info[4].textdate_and_publisher = info[5].text.split()publisher = date_and_publisher[1] if len(date_and_publisher) >= 2 else ''# 將每本暢銷書的上述信息加入到table中table.append([rank, name, comments, author, publisher])# 全部網頁urls = ['http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-recent7-0-0-1-%d' % i for i in range(1, 26)]# 統計該爬蟲的消耗時間print('#' * 50)t1 = time.time() # 開始時間for url in urls:download(url)# 將table轉化為pandas中的DataFrame并保存為CSV格式的文件df = pd.DataFrame(table, columns=['rank', 'name', 'comments', 'author', 'publisher'])df.to_csv('E://douban/dangdang.csv', index=False)t2 = time.time() # 結束時間print('使用一般方法，總共耗時：%s' % (t2 - t1))print('#' * 50)

輸出結果如下：

##################################################
使用一般方法，總共耗時：23.522345542907715
##################################################

程序運行了23.5秒，爬取了500本書的信息，效率還是可以的。我們前往目錄中查看文件，如下：

Python,aiohttp,異步,爬蟲

異步爬蟲

接下來我們看看用aiohttp制作的異步爬蟲的效率，完整的源代碼如下：

'''異步方式爬取當當暢銷書的圖書信息'''import timeimport aiohttpimport asyncioimport pandas as pdfrom bs4 import BeautifulSoup# table表格用于儲存書本信息table = []# 獲取網頁（文本信息）async def fetch(session, url):async with session.get(url) as response:return await response.text(encoding='gb18030')# 解析網頁async def parser(html):# 利用BeautifulSoup將獲取到的文本解析成HTMLsoup = BeautifulSoup(html, "lxml")# 獲取網頁中的暢銷書信息book_list = soup.find('ul', class_="bang_list clearfix bang_list_mode")('li')for book in book_list:info = book.find_all('div')# 獲取每本暢銷書的排名，名稱，評論數，作者，出版社rank = info[0].text[0:-1]name = info[2].textcomments = info[3].text.split('條')[0]author = info[4].textdate_and_publisher = info[5].text.split()publisher = date_and_publisher[1] if len(date_and_publisher) >=2 else ''# 將每本暢銷書的上述信息加入到table中table.append([rank,name,comments,author,publisher])# 處理網頁async def download(url):async with aiohttp.ClientSession() as session:html = await fetch(session, url)await parser(html)# 全部網頁urls = ['http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-recent7-0-0-1-%d'%i for i in range(1,26)]# 統計該爬蟲的消耗時間print('#' * 50)t1 = time.time() # 開始時間# 利用asyncio模塊進行異步IO處理loop = asyncio.get_event_loop()tasks = [asyncio.ensure_future(download(url)) for url in urls]tasks = asyncio.gather(*tasks)loop.run_until_complete(tasks)# 將table轉化為pandas中的DataFrame并保存為CSV格式的文件df = pd.DataFrame(table, columns=['rank','name','comments','author','publisher'])df.to_csv('E://douban/dangdang.csv',index=False)t2 = time.time() # 結束時間print('使用aiohttp，總共耗時：%s' % (t2 - t1))print('#' * 50)

我們可以看到，這個爬蟲與原先的一般方法的爬蟲的思路和處理方法基本一致，只是在處理HTTP請求時使用了aiohttp模塊以及在解析網頁時函數變成了協程(coroutine)，再利用aysncio進行并發處理，這樣無疑能夠提升爬蟲的效率。它的運行結果如下：