Python爬虫-速度（2）

「爱情、让人受尽委屈。」 2022-04-16 21:14 257阅读 0赞

# Python爬虫-速度（2） #

### 文章目录 ###

*  Python爬虫-速度（2）
 *   *  前言
     *  并发与并行
     *  异步与同步/阻塞和非阻塞
     *  多进程
     *  多线程
     *  协程+异步

018.9.17

[Python爬虫-速度（1）][Python_-_1]  
[Python爬虫-速度（3）][Python_-_3]

## 前言 ##

我原有个习惯，就是每写个什么东西，都会在开头记下日期。今天得空复查这篇内容的时候，发现居然赫然显示着：**018.9.17**。

十天就这么过去了。

很难说我这10天里到底做了什么，收获了什么。因为我确实未发现自己在这时间里有如何的长进。倒是再一次加深了对时间飞速的体会。

继而说说这次的内容吧。由于进程线程协程涉及到的知识点很多，如果细讲起来，够写好几篇了。所以只好提供自己学习时用到的资料，包括书籍《Python Cook》，以及一些博客文章。为了方便你我他，是全部附上了链接的。

## 并发与并行 ##

我们先来说说什么是并发，什么又是并行。

**并发**：指程序有处理多个任务的能力  
**并行**：指程序有同时处理多个任务的能力

二者之间的差别，就在**同时**二字。可以举个例子：并发就是一群人从一个独木桥上过，而并行则是一群人从**多个**独木桥上过。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU5MDUx_size_16_color_FFFFFF_t_70]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU5MDUx_size_16_color_FFFFFF_t_70 1]

其实网上我看到许多人爱用“一个人吃十个馒头与十个人吃十个馒头”的例子，倒是很好的解释了并发与并行的区别，然而乍一看，似乎并发没啥用呀！所以庆幸自己想出一个过独木桥的例子【不要脸.jpg】，这样一来不但给了二者区别，还可以体现出并发的提速作用：一群人过独木桥（所有人人可以都在桥上）肯定是比这群人挨个挨个的过独木桥（桥上最多允许一个人存在）要快许多。

## 异步与同步/阻塞和非阻塞 ##

可以用一个在知乎看到的段子来理解：

> 老张爱喝茶，废话不说，煮开水。  
> 出场人物：老张。  
> 道具：水壶两把（普通水壶，简称水壶；会响的水壶，简称响水壶）。
> 
> (1) 老张把水壶放到火上，立等水开。（同步阻塞）  
> 【老张觉得自己有点傻】  
> (2) 老张把水壶放到火上，去客厅看电视，时不时去厨房看看水开没有。（同步非阻塞）  
> 【老张还是觉得自己有点傻，于是变高端了，买了把会响笛的那种水壶。水开之后，能大声发出嘀~~~~的噪音。】
> 
> (3) 老张把响水壶放到火上，立等水开。（异步阻塞）  
> 【老张觉得这样傻等意义不大。】  
> (4) 老张把响水壶放到火上，去客厅看电视，水壶响之前不再去看它了，响了再去拿壶。（异步非阻塞）  
> 【老张觉得自己聪明了。】
> 
> **所谓同步异步，只是对于水壶而言。**  
> 普通水壶，同步；响水壶，异步。虽然都能干活，但响水壶可以在自己完工之后，提示老张水开了。这是普通水壶所不能及的。同步只能让调用者去**轮询**自己（情况2中），造成老张效率的低下。
> 
> **所谓阻塞非阻塞，仅仅对于老张而言。**  
> 立等的老张，阻塞；看电视的老张，非阻塞。情况(1)和情况(3)中老张就是阻塞的，媳妇喊他都不知道。虽然(3)中响水壶是异步的，可对于立等的老张没有太大的意义。**所以一般异步是配合非阻塞使用的，这样才能发挥异步的效用。**
> 
> ——来源网络，作者不明。

作者：愚抄  
链接：[https://www.zhihu.com/question/19732473/answer/23434554][https_www.zhihu.com_question_19732473_answer_23434554]  
来源：知乎  
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

## 多进程 ##

由于主要是为爬虫程序提速，所以过多的原理暂不讲的。但需要记得的是：**多进程是并行的**。

我们可以通过实例来观察，首先来一个**单进程单线程**的爬虫程序：

import requests
    import time
    
    def get_one_html(url):
        response = requests.get(url=url, headers=HEADERS)
        return response.url
    
    if __name__  == "__main__":
        HEADERS = { "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) "
                                 "AppleWebKit/537.36 (KHTML, like Gecko) "
                                 "Chrome/65.0.3325.183 Safari/537.36 "
                                 "Vivaldi/1.96.1147.64"}
    
        urls = [
            "http://www.baidu.com", "http://www.sina.com.cn",
            "http://www.163.com", "http://www.sohu.com",
            "http://www.csdn.net", "http://www.jobbole.com",
            "http://www.qq.com", "http://weixin.qq.com",
            "http://www.jb51.net", "https://m.qidian.com"
        ]
    
        start = time.time()
        results = map(get_one_html, urls)
        for result in results:
            print(result)
        end = time.time() - start
        print(end)

多次试验，耗时在**2.8~3.6s**范围。如果我们改写为多进程呢？

可参见《Python Cook》中**简单的并行编程**，链接：[https://python3-cookbook.readthedocs.io/zh\_CN/latest/c12/p08\_perform\_simple\_parallel\_programming.html][https_python3-cookbook.readthedocs.io_zh_CN_latest_c12_p08_perform_simple_parallel_programming.html]

import requests
    import time
    from concurrent.futures import ProcessPoolExecutor
    
    def get_one_html(url):
        response = requests.get(url=url, headers=HEADERS)
        return response.url
    
    if __name__  == "__main__":
        HEADERS = { "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) "
                                 "AppleWebKit/537.36 (KHTML, like Gecko) "
                                 "Chrome/65.0.3325.183 Safari/537.36 "
                                 "Vivaldi/1.96.1147.64"}
    
        urls = [
            "http://www.baidu.com", "http://www.sina.com.cn",
            "http://www.163.com", "http://www.sohu.com",
            "http://www.csdn.net", "http://www.jobbole.com",
            "http://www.qq.com", "http://weixin.qq.com",
            "http://www.jb51.net", "https://m.qidian.com"
        ]
    
        start = time.time()
    
    	# 利用进程池
        with ProcessPoolExecutor() as pool:
    	    # 往进程池添加任务
            pool.map(get_one_html, urls)
    
        end = time.time() - start
        print(end)

多次试验，耗时在**1.2~1.7s**范围。

可以看到多进程的确可以实现程序提速，但需要的注意的是，只有在需要多次使用`get_one_html()`函数时，多进程的优势才能体现；如果仅仅用两三次，反而是**单进程单线程**运行速度快。这是因为系统在为实现多进程前需要一些准备工作，这个准备将耗费大量时间。

## 多线程 ##

多线程是**并发的**。尽管Python中有GIL锁，但针对I/O操作时，仍有提速效果。

可参见《Python Cook》中**创建一个线程池**，链接：[https://python3-cookbook.readthedocs.io/zh\_CN/latest/c12/p07\_creating\_thread\_pool.html][https_python3-cookbook.readthedocs.io_zh_CN_latest_c12_p07_creating_thread_pool.html]

import requests
    import time
    from concurrent.futures import ThreadPoolExecutor
    
    def get_one_html(url):
        response = requests.get(url=url, headers=HEADERS)
        return response.url
    
    if __name__  == "__main__":
        HEADERS = { "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) "
                                 "AppleWebKit/537.36 (KHTML, like Gecko) "
                                 "Chrome/65.0.3325.183 Safari/537.36 "
                                 "Vivaldi/1.96.1147.64"}
    
        urls = [
            "http://www.baidu.com", "http://www.sina.com.cn",
            "http://www.163.com", "http://www.sohu.com",
            "http://www.csdn.net", "http://www.jobbole.com",
            "http://www.qq.com", "http://weixin.qq.com",
            "http://www.jb51.net", "https://m.qidian.com"
        ]
    
        start = time.time()
    
    	# 线程池
        with ThreadPoolExecutor() as pool:
            pool.map(get_one_html, urls)
    
        end = time.time() - start
        print(end)

多次试验，耗时在**0.86~1.0s**范围。

可以看到提速比多进程会好一些。

## 协程+异步 ##

关于这部分的知识，讲起来都可以单独撑开一个篇幅了，所以这里我就“拿来主义”：  
![在这里插入图片描述][2018111213562428.png]  
崔大神的一篇关于异步提速，链接：[https://mp.weixin.qq.com/s/jCc1jIHxU\_p6bUlwijkwyQ][https_mp.weixin.qq.com_s_jCc1jIHxU_p6bUlwijkwyQ]  
以及CSDN上某友的文章，链接：[https://blog.csdn.net/sinat\_26917383/article/details/79246632][https_blog.csdn.net_sinat_26917383_article_details_79246632]

import aiohttp
    import time
    import asyncio
    
    
    async def get(url):
        async with aiohttp.ClientSession() as session:
            async with session.get(url, headers=HEADERS) as response:
                assert response.status == 200
    
        return response.url
    
    async def get_one_html(url):
        result = await get(url) # 由于asyncio不支持http请求，所以需要用aiohttp来封装一个get
        return result
    
    if __name__  == "__main__":
        HEADERS = { "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) "
                                 "AppleWebKit/537.36 (KHTML, like Gecko) "
                                 "Chrome/65.0.3325.183 Safari/537.36 "
                                 "Vivaldi/1.96.1147.64"}
    
        urls = [
            "http://www.baidu.com", "http://www.sina.com.cn",
            "http://www.163.com", "http://www.sohu.com",
            "http://www.csdn.net", "http://www.jobbole.com",
            "http://www.qq.com", "http://weixin.qq.com",
            "http://www.jb51.net", "https://m.qidian.com"
        ]
        # 构建tasks列表
        tasks = [asyncio.ensure_future(get_one_html(url)) for url in urls]
    
        start = time.time()
    
        loop = asyncio.get_event_loop()
        loop.run_until_complete(asyncio.wait(tasks))
        loop.close()
        end = time.time() - start
        print(end)
    
        for task in tasks:
            print(task.result())

多次试验，耗时在**1.4~1.8s**范围。尽管速度上不及多进程与多线程，但我们知道它节省了配置，如果请求的任务量继续加大，做相应调整是可以超越前面两种方法的。

[Python_-_1]: https://blog.csdn.net/qq_41359051/article/details/83990782
[Python_-_3]: https://blog.csdn.net/qq_41359051/article/details/83991019
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU5MDUx_size_16_color_FFFFFF_t_70]: /images/20220417/748822dc7f72434aaae467fa5075c703.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU5MDUx_size_16_color_FFFFFF_t_70 1]: /images/20220417/8ff0af5e1b5742ceae8f3b5da524f88b.png
[https_www.zhihu.com_question_19732473_answer_23434554]: https://www.zhihu.com/question/19732473/answer/23434554
[https_python3-cookbook.readthedocs.io_zh_CN_latest_c12_p08_perform_simple_parallel_programming.html]: https://python3-cookbook.readthedocs.io/zh_CN/latest/c12/p08_perform_simple_parallel_programming.html
[https_python3-cookbook.readthedocs.io_zh_CN_latest_c12_p07_creating_thread_pool.html]: https://python3-cookbook.readthedocs.io/zh_CN/latest/c12/p07_creating_thread_pool.html
[2018111213562428.png]: /images/20220417/b31a18c1ebb942639e0a83bdaa197614.png
[https_mp.weixin.qq.com_s_jCc1jIHxU_p6bUlwijkwyQ]: https://mp.weixin.qq.com/s/jCc1jIHxU_p6bUlwijkwyQ
[https_blog.csdn.net_sinat_26917383_article_details_79246632]: https://blog.csdn.net/sinat_26917383/article/details/79246632