Python自動化開發學習-爬蟲3（性能相關）

爬取多個網頁

講師的博客：https://www.cnblogs.com/wupeiqi/p/6229292.html
在編寫爬蟲時，性能的消耗主要在IO請求中，當單進程單線程模式下請求URL時必然會引起等待，從而使得請求整體變慢。
比如找10個國外的資源爬取，慢的效果就很明顯。

串行的方式

直接用一個for循環，把所有的請求串起來一次執行。這樣的效率會很低：

import requests
from bs4 import BeautifulSoup

url_list = [
    'https://github.com/explore',
    'https://www.djangoproject.com/',
    'http://www.python-requests.org/en/master/',
    'https://jquery.com/',
    'https://getbootstrap.com/',
    'https://www.solarwinds.com/',
    'https://www.zabbix.com/',
    'http://open-falcon.org/',
    'https://www.python.org/',
    'http://www.jetbrains.com/',
]

if __name__ == '__main__':
    for url in url_list:
        r = requests.get(url)
        r.encoding = 'utf-8'
        soup = BeautifulSoup(r.text, features='html.parser')
        title = soup.find('title')
        print(title)

多線程（多進程）

下面是使用線程池（進程池）實現的方式。這里多進程和多線程的效果一樣，但是線程更省資源。

import requests
from bs4 import BeautifulSoup
from concurrent.futures import ThreadPoolExecutor
# from concurrent.futures import ProcessPoolExecutor  # 進程池

url_list = [
    'https://github.com/explore',
    # 省略多個url
    'http://www.jetbrains.com/',
]

def fetch_request(url):
    r = requests.get(url)
    r.encoding = 'utf-8'
    soup = BeautifulSoup(r.text, features='html.parser')
    title = soup.find('title')
    print(title)

if __name__ == '__main__':
    pool = ThreadPoolExecutor(10)
        # pool = ProcessPoolExecutor(10)  # 進程池
    for url in url_list:
        pool.submit(fetch_request, url)
    pool.shutdown(True)

多線程 + 回調函數

上面的例子用到的模塊，還支持使用回調函數，把代碼稍稍改一下：

import requests
from bs4 import BeautifulSoup
from concurrent.futures import ProcessPoolExecutor

url_list = [
    'https://github.com/explore',
    # 省略多個url
    'http://www.jetbrains.com/',
]

def fetch_request(url):
    response = requests.get(url)
    response.encoding = 'utf-8'
    soup = BeautifulSoup(response.text, features='html.parser')
    title = soup.find('title')
    return str(title)  # 這里返回的，就是下面回調函數的入參。不轉str會報錯

def callback(result):
    print(result.result())

if __name__ == '__main__':
    pool = ProcessPoolExecutor(10)
    for url in url_list:
        v = pool.submit(fetch_request, url)
        v.add_done_callback(callback)
    pool.shutdown(True)

多進程和多線程的回調函數用法也是一樣的。
這里簡單的需求，是不需要用到回調函數。不過作為線程池的一個用法，多一個示例。

異步IO

多線程和多進程的缺點是在IO阻塞時會造成了線程和進程的浪費，所以異步IO是更好的方式。
異步IO請求的本質則是非阻塞Socket + IO多路復用。這里只需要一個線程，而每一個請求則是一個協程。
下面就是各種Python內置以及第三方提供的異步IO請求模塊。這些模塊，使用簡便，大大提高效率。

asyncio 模塊

這個是內置模塊
先看下模塊是怎么調用的。這里是python3.4版本的用法，到3.5版本有新的 async/await 關鍵字可以用。不過向下兼容，舊的裝飾器的 asyncio/yield from 的用法還是可以使用的。
用法示例：

import asyncio

@asyncio.coroutine
def func(n):
    print('before func %s...' % n)
    yield from asyncio.sleep(3)
    print('end func %s...' % n)

if __name__ == '__main__':
    tasks = []
    for i in range(5):
        tasks.append(func(i))
    loop = asyncio.get_event_loop()
    loop.run_until_complete(asyncio.gather(*tasks))
    loop.close()

這里注意一下裝飾器和被它裝飾的函數。在tasks.append()里，添加的是函數的調用，添加的是func()而不是func，帶括號的。所以一般情況下是要執行這個函數。當然這里給函數加了裝飾器，就不會直接執行了，而是等到下面在執行的。

通過TCP發送HTTP請求
asyncio模塊只提供了發送tcp的功能，無法直接發送http請求。不過在理解了Web服務的本質的基礎上，http本質上還是tcp。http請求還是通過tcp發送字符串，只是字符串有特定的格式。字符串分為請求頭和請求體，請求頭和請求體之間使用 "/r/n/r/n" 分隔，而請求頭和請求頭之間使用 "/r/n" 分隔。下面就是一個基本的GET請求的格式：

"""
GET /index HTTP/1.0\r\n
HOST: 1.1.1.1
\r\n\r\n
"""

所以只要按上面的方式對字符串進行封裝，然后通過tcp發送，這就是http了。下面這個就是用 asyncio 手動封裝http報頭的示例：

import asyncio
from bs4 import BeautifulSoup

url_list = [
    ('www.python-requests.org', '/en/master/'),
    ('open-falcon.org', '/'),
    ('www.jetbrains.com', '/'),
    ('www.nga.cn', '/'),
    ('edu.51cto.com', '/'),
]

@asyncio.coroutine
def fetch_async(host, url):
    reader, writer = yield from asyncio.open_connection(host, 80)  # 建立tcp連接
    request_header_content = "GET %s HTTP/1.0\r\nHost: %s\r\n\r\n" % (url, host)  # 這個是GET請求
    request_header_content = request_header_content.encode('utf-8')  # 最終發送的是bytes類型
    writer.write(request_header_content)  # 發出請求
    yield from writer.drain()
    text = yield from reader.read()  # 接收到的當然也是bytes類型
    text = text.decode('utf-8')
    soup = BeautifulSoup(text, features='html.parser')
    title = soup.find('title')
    print(title)
    writer.close()

if __name__ == '__main__':
    tasks = []
    for host, url in url_list:
        tasks.append(fetch_async(host, url))
    loop = asyncio.get_event_loop()
    loop.run_until_complete(asyncio.gather(*tasks))
    loop.close()

通過TCP發送HTTPS
上面這樣只能發http請求。https主要是2個差別，默認的端口號是443，還有就是需要ssl。好在 asyncio.open_connection 是提供支持ssl的，只需要加上ssl=True的參數（這個參數的默認是False，所以上面不用指定）。下面是支持https的版本：

import asyncio
from bs4 import BeautifulSoup

url_list = [
    'https://github.com/explore',
    # 省略多個url
    'http://www.jetbrains.com/',
]

@asyncio.coroutine
def fetch_async(host, url='/', port=80, ssl=False):
    reader, writer = yield from asyncio.open_connection(host, port, ssl=ssl)  # 建立tcp連接
    request_header_content = "GET %s HTTP/1.0\r\nHost: %s\r\n\r\n" % (url, host)  # 這個是GET請求
    request_header_content = request_header_content.encode('utf-8')  # 最終發送的是bytes類型
    writer.write(request_header_content)  # 發出請求
    yield from writer.drain()
    text = yield from reader.read()  # 接收到的當然也是bytes類型
    text = text.decode('utf-8')
    soup = BeautifulSoup(text, features='html.parser')
    title = soup.find('title')
    print(title)
    writer.close()

if __name__ == '__main__':
    from urllib.parse import urlparse
    tasks = []
    for url in url_list:
        url_parse = urlparse(url)
        if url_parse.scheme == "https":
            tasks.append(fetch_async(url_parse.netloc, url_parse.path, 443, True))
        else:
            tasks.append(fetch_async(url_parse.netloc, url_parse.path))
    loop = asyncio.get_event_loop()
    loop.run_until_complete(asyncio.gather(*tasks))
    loop.close()

asyncio + aiohttp

講師博客里的代碼是版本的問題，運行不了會報錯。因為從 python3.5 開始，引入了 async/await 。大概記錄一下原因：

在Python3.5以后，原生協程不能用于迭代，未被裝飾的生成器不能yield from一個原生協程

什么是原生協程？用async關鍵字定義的就是原生線程。asyncio是Python 3.4版本引入的標準庫，是用裝飾器的方式來定義協程的（上面的例子就是）。到了python3.5版本，引入了async關鍵字來定義協程，并且向下兼容，之前的裝飾器的方法也能用。
再來看一下aiohttp模塊。粗略的看一下源碼，舊版本（2.x及之前），用的是 asyncio/yield from 。3.x版本開始，都改用 async/await 了。舊版的 yield from 是不能調用新版的用async關鍵字定義的原生協程的，所以會報錯。
之前的例子用的是 asyncio/yield from ，但是這里的 aishttp 用的是 async/await ，所以無法再用 yield from 了。下面是用 async/await 的例子：

import aiohttp
import asyncio
from bs4 import BeautifulSoup

url_list = [
    'https://github.com/explore',
    # 省略多個url
    'http://www.jetbrains.com/',
]

async def fetch_async(url):
    async with aiohttp.request('GET', url) as r:
        text = await r.text('utf-8')
        soup = BeautifulSoup(text, features='html.parser')
        title = soup.find('title')
        print(title)

if __name__ == '__main__':
    tasks = []
    for url in url_list:
        tasks.append(fetch_async(url))
    loop = asyncio.get_event_loop()
    loop.run_until_complete(asyncio.gather(*tasks))
    loop.close()

后面的例子還會繼續用到 asyncio/yield from ，而且這個例子也不好找。
不過 async/await 才是推薦的用法，好在改一下也不難，而且網上例子也多。

asyncio + requests

import asyncio
import requests
from bs4 import BeautifulSoup

url_list = [
    'https://github.com/explore',
    # 省略多個url
    'http://www.jetbrains.com/',
]

@asyncio.coroutine
def fetch_async(func, *args):
    loop = asyncio.get_event_loop()
    future = loop.run_in_executor(None, func, *args)
    response = yield from future
    response.encoding = 'utf-8'
    soup = BeautifulSoup(response.text, features='html.parser')
    title = soup.find('title')
    print(title)

if __name__ == '__main__':
    tasks = []
    for url in url_list:
        tasks.append(fetch_async(requests.get, url))
    loop = asyncio.get_event_loop()
    loop.run_until_complete(asyncio.gather(*tasks))
    loop.close()

gevent + requests

from bs4 import BeautifulSoup
import gevent
from gevent import monkey
monkey.patch_all()  # 必須放在requests模塊導入前
import requests

url_list = [
    'https://github.com/explore',
        # 省略多個url
    'http://www.jetbrains.com/',
]

def fetch_request(url):
    r = requests.get(url)
    r.encoding = 'utf-8'
    soup = BeautifulSoup(r.text, features='html.parser')
    title = soup.find('title')
    print(title)

if __name__ == '__main__':
    g_list = []
    for url in url_list:
        g_list.append(gevent.spawn(fetch_request, url=url))
    gevent.joinall(g_list)

grequests

grequests 模塊，就是 gevent + requests 。有人用代碼又把這兩個模塊再封裝了一層。就寫個例子：

import grequests
from bs4 import BeautifulSoup

url_list = [
    'https://github.com/explore',
    # 省略多個url
    'http://www.jetbrains.com/',
]

def exception_handler(request, exception):
    print(request, exception)
    print("Request failed")

def callback(r, *args, **kwargs):
    r.encoding = 'utf-8'
    soup = BeautifulSoup(r.text, features='html.parser')
    title = soup.find('title')
    print(title)

if __name__ == '__main__':
    request_list = [grequests.get(url, timeout=10, callback=callback) for url in url_list]
    response_list = grequests.map(request_list, exception_handler=exception_handler, gtimeout=10)
    print(response_list)

之前用for循環寫列表太Low了，這里用列表生成式的寫法。grequests.get里的timeout是單個任務的超時時間，grequests.map里的gtimeout則是整體任務的超時時間。
exception_handler方法是請求有異常時的處理方法。如果單個任務超時，就會拋出異常，如果任務整體超時，則還沒有結束的任務返回None，沒有異常。

Twisted

直接安裝模塊會報錯，去官網翻了一下 http://twistedmatrix.com 。找到了pip的安裝方法

The recommended way is to run pip install Twisted, preferably inside a virtualenv.
On Linux, and BSDs, you will need a C compiler (such as GCC).
On macOS you will need to run xcode-select --install.
If you are installing on Windows, pip install Twisted[windows_platform] will install the Windows-specific requirements.

所以應該用下面的命令，安裝windwos用的版本：

pip install -i https://mirrors.163.com/pypi/simple  Twisted[windows_platform]

但是還是不行，錯誤信息如下：

    error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": http://landinghub.visualstudio.com/visual-cpp-build-tools

Twisted 模塊安裝
最終在網上找到解決方法，就是本地安裝。先去下載這個模塊對應版本的whl文件：
https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
然后用 pip 執行本地安裝：

pip install E:/Downloads/Twisted-18.9.0-cp36-cp36m-win_amd64.whl

發GET請求

from bs4 import BeautifulSoup
from twisted.web.client import getPage, defer
from twisted.internet import reactor

url_list = [
    'https://github.com/explore',
    # 略多個url
    'http://www.jetbrains.com/',
]

def all_done(arg):
    reactor.stop()

def callback(contents):
    soup = BeautifulSoup(contents, features='html.parser')
    title = soup.find('title')
    print(title)

if __name__ == '__main__':
    deferred_list = []
    for url in url_list:
        deferred = getPage(url.encode('utf-8'))  # 發請求
        deferred.addCallback(callback)  # 請求返回后的回調函數
        deferred_list.append(deferred)  # 把所有的請求加到列表里，后面要檢測
    dlist = defer.DeferredList(deferred_list)  # 檢測所有的請求
    dlist.addBoth(all_done)  # 檢測到所有請求都執行完，執行的方法
    reactor.run()  # 開啟一個死循環，不停的執行，all_done函數里的stop()方法會停止這個循環

發POST請求

from twisted.internet import reactor
from twisted.web.client import getPage
import urllib.parse

def one_done(arg):
    print(arg)
    print(arg.decode())
    reactor.stop()

post_data = urllib.parse.urlencode({'check_data': 'TEST'})
post_data = post_data.encode('utf-8')
headers = {b'Content-Type': b'application/x-www-form-urlencoded'}
response = getPage(b'http://dig.chouti.com/login',
                   method=b'POST',
                   postdata=post_data,
                   cookies={},
                   headers=headers)
response.addBoth(one_done)

reactor.run()

tornado

這里只有個例子，之后可能還要再學一下：

from bs4 import BeautifulSoup
from tornado.httpclient import AsyncHTTPClient
from tornado.httpclient import HTTPRequest
from tornado import ioloop

url_list = [
    'https://github.com/explore',
    'https://www.djangoproject.com/',
    'http://www.python-requests.org/en/master/',
    'https://jquery.com/',
    'https://getbootstrap.com/',
    'https://www.solarwinds.com/',
    'https://www.zabbix.com/',
    'http://open-falcon.org/',
    'https://www.python.org/',
    'http://www.jetbrains.com/',
]

def asynchronous_fetch():
    http_client = AsyncHTTPClient()

    # 創建一個函數內的函數，來處理返回的結果
    def handle_response(response):
        """
        處理返回值內容（需要維護計數器，來停止IO循環），調用 ioloop.IOLoop.current().stop()
        :param response:
        :return:
        """
        if response.error:
            print("Error:", response.error)
        else:
            # print(response.headers)
            # print(response.body)
            soup = BeautifulSoup(response.body, features='html.parser')
            title = soup.find('title')
            print(title)
        # 自己加的停止的方法，實現方法可能不是很正規
        # print(response.effective_url)
        curr_url = response.effective_url
        if curr_url in url_list:
            url_list.remove(curr_url)
        if not url_list:
            ioloop.IOLoop.current().stop()

    for url in url_list:
        # 異步處理結束后會調用指定的callback的函數
        http_client.fetch(HTTPRequest(url), callback=handle_response)
        # 下面這句和上面效果一樣，模塊內部會判斷參數的isinstance是否是HTTPRequest
        # 如果不是則，HTTPRequest(url, **kwargs)
        # 這里的**kwargs，就是如果要給請求加任何參數，就用關鍵參數傳參
        # http_client.fetch(url, callback=handle_response)

if __name__ == '__main__':
    ioloop.IOLoop.current().add_callback(asynchronous_fetch)
    ioloop.IOLoop.current().start()