利用aiohttp实现异步爬虫

喜欢ヅ旅行 2022-05-12 02:34 194阅读 0赞

asyncio可以实现单线程并发IO操作，是Python中常用的异步处理模块。关于asyncio模块的介绍，笔者会在后续的文章中加以介绍，本文将会讲述一个基于asyncio实现的HTTP框架——aiohttp，它可以帮助我们异步地实现HTTP请求，从而使得我们的程序效率大大提高。  
  本文将会介绍aiohttp在爬虫中的一个简单应用。  
  我们的项目来源于：[Scrapy爬虫（5）爬取当当网图书畅销榜][Scrapy_5]，在原来的项目中，我们是利用Python的爬虫框架scrapy来爬取当当网图书畅销榜的图书信息的。在本文中，笔者将会以两种方式来制作爬虫，比较同步爬虫与异步爬虫(利用aiohttp实现)的效率，展示aiohttp在爬虫方面的优势。  
  首先，我们先来看看用一般的方法实现的爬虫，即同步方法，完整的Python代码如下：

''' 同步方式爬取当当畅销书的图书信息 '''
    
    import time
    import requests
    import pandas as pd
    from bs4 import BeautifulSoup
    
    # table表格用于储存书本信息
    table = []
    
    # 处理网页
    def download(url):
        html = requests.get(url).text
    
        # 利用BeautifulSoup将获取到的文本解析成HTML
        soup = BeautifulSoup(html, "lxml")
        # 获取网页中的畅销书信息
        book_list = soup.find('ul', class_="bang_list clearfix bang_list_mode")('li')
    
        for book in book_list:
            info = book.find_all('div')
    
            # 获取每本畅销书的排名，名称，评论数，作者，出版社
            rank = info[0].text[0:-1]
            name = info[2].text
            comments = info[3].text.split('条')[0]
            author = info[4].text
            date_and_publisher = info[5].text.split()
            publisher = date_and_publisher[1] if len(date_and_publisher) >= 2 else ''
    
            # 将每本畅销书的上述信息加入到table中
            table.append([rank, name, comments, author, publisher])
    
    
    # 全部网页
    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)]
    
    # 统计该爬虫的消耗时间
    print('#' * 50)
    t1 = time.time()  # 开始时间
    
    for url in urls:
        download(url)
    
    # 将table转化为pandas中的DataFrame并保存为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()  # 结束时间
    print('使用一般方法，总共耗时：%s' % (t2 - t1))
    print('#' * 50)

输出结果如下：

##################################################
    使用一般方法，总共耗时：23.522345542907715
    ##################################################

程序运行了23.5秒，爬取了500本书的信息，效率还是可以的。  
  我们前往目录中查看文件，如下：

![70][]

![70 1][]

接下来我们看看用aiohttp制作的异步爬虫的效率，完整的源代码如下：

''' 异步方式爬取当当畅销书的图书信息 '''
    
    import time
    import aiohttp
    import asyncio
    import pandas as pd
    from bs4 import BeautifulSoup
    
    # table表格用于储存书本信息
    table = []
    
    # 获取网页（文本信息）
    async def fetch(session, url):
        async with session.get(url) as response:
            return await response.text(encoding='gb18030')
    
    # 解析网页
    async def parser(html):
    
        # 利用BeautifulSoup将获取到的文本解析成HTML
        soup = BeautifulSoup(html, "lxml")
        # 获取网页中的畅销书信息
        book_list = soup.find('ul', class_="bang_list clearfix bang_list_mode")('li')
    
        for book in book_list:
    
            info = book.find_all('div')
    
            # 获取每本畅销书的排名，名称，评论数，作者，出版社
            rank = info[0].text[0:-1]
            name = info[2].text
            comments = info[3].text.split('条')[0]
            author = info[4].text
            date_and_publisher = info[5].text.split()
            publisher = date_and_publisher[1] if len(date_and_publisher) >=2 else ''
    
            # 将每本畅销书的上述信息加入到table中
            table.append([rank,name,comments,author,publisher])
    
    # 处理网页 
    async def download(url):
        async with aiohttp.ClientSession() as session:
            html = await fetch(session, url)
            await parser(html)
    
    # 全部网页
    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)]
    
    # 统计该爬虫的消耗时间
    print('#' * 50)
    t1 = time.time() # 开始时间
    
    # 利用asyncio模块进行异步IO处理
    loop = asyncio.get_event_loop()
    tasks = [asyncio.ensure_future(download(url)) for url in urls]
    tasks = asyncio.gather(*tasks)
    loop.run_until_complete(tasks)
    
    # 将table转化为pandas中的DataFrame并保存为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() # 结束时间
    print('使用aiohttp，总共耗时：%s' % (t2 - t1))
    print('#' * 50)

我们可以看到，这个爬虫与原先的一般方法的爬虫的思路和处理方法基本一致，只是在处理HTTP请求时使用了aiohttp模块以及在解析网页时函数变成了协程(coroutine)，再利用aysncio进行并发处理，这样无疑能够提升爬虫的效率。它的运行结果如下：

##################################################
    使用aiohttp，总共耗时：2.405137538909912
    ##################################################

2.4秒，如此神奇！！！再来看看文件的内容：

![70 2][]  
  
  综上可以看出，利用同步方法和异步方法制作的爬虫的效率相差很大，因此，我们在实际制作爬虫的过程中，也不妨可以考虑异步爬虫，多多利用异步模块，如aysncio, aiohttp。另外，aiohttp只支持3.5.3以后的Python版本。  
  当然，本文只是作为一个异步爬虫的例子，并没有具体讲述异步背后的故事，而异步的思想在我们现实生活和网站制作等方面有着广泛的应用，笔者将会以自己的理解来介绍异步编程，欢迎大家关注。  
  本文到此结束，欢迎大家关注微信公众号： 轻松学会Python爬虫（微信号为：easy\_web\_scrape）。欢迎交流~

[Scrapy_5]: https://blog.csdn.net/jclian91/article/details/79561497
[70]: /images/20220512/0d92d91331c34f7586150f2813599e67.png
[70 1]: /images/20220512/ee6163645269445b9ff4a0c730cd6281.png
[70 2]: /images/20220512/5970b04088c94f8b924e099c865cce60.png