wen python 基于aiohttp的异步爬虫实战
钢铁知识库，一个学习python爬虫、数据分析的知识库。人生苦短，快用python。
之前我们使用requests库爬取某个站点的时候，每发出一个请求，程序必须等待网站返回响应才能接着运行，而在整个爬虫过程中，整个爬虫程序是一直在等待的，实际上没有做任何事情。
像这种占用磁盘/内存IO、网络IO的任务，大部分时间是CPU在等待的操作，就叫IO密集型任务。对于这种情况有没有优化方案呢，当然有，那就是使用aiohttp库实现异步爬虫。
aiohttp是什么
我们在使用requests请求时，只能等一个请求先出去再回来，才会发送下一个请求。明显效率不高阿，这时候如果换成异步请求的方式，就不会有这个等待。一个请求发出去，不管这个请求什么时间响应，程序通过await挂起协程对象后直接进行下一个请求。
解决方法就是通过 aiohttp + asyncio，什么是aiohttp？一个基于 asyncio 的异步 HTTP 网络模块，可用于实现异步爬虫，速度明显快于 requests 的同步爬虫。
requests和aiohttp区别
区别就是一个同步一个是异步。话不多说直接上代码看效果。
安装aiohttp
pip install aiohttp
- requests同步示例：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# author: 钢铁知识库
import time
import requests
# 同步请求
def main():
start = time.time()
for i in range(5):
res = requests.get("http://httpbin.org/delay/2")
print(f"当前时间：{datetime.datetime.now()}, status_code = {res.status_code}")
print(f"requests同步耗时：{time.time() - start}")
if __name__ == "__main__":
main()
"""
当前时间：2022-09-05 15:44:51.991685, status_code = 200
当前时间：2022-09-05 15:44:54.528918, status_code = 200
当前时间：2022-09-05 15:44:57.057373, status_code = 200
当前时间：2022-09-05 15:44:59.643119, status_code = 200
当前时间：2022-09-05 15:45:02.167362, status_code = 200
requests同步耗时：12.785893440246582
"""
可以看到5次请求总共用12.7秒，再来看同样的请求异步多少时间。
- aiohttp异步示例：
#!/usr/bin/env python
# file: day6-9同步和异步.py
# author: 钢铁知识库
import asyncio
import time
import aiohttp
async def async_http():
# 声明一个支持异步的上下文管理器
async with aiohttp.ClientSession() as session:
res = await session.get("http://httpbin.org/delay/2")
print(f"当前时间：{datetime.datetime.now()}, status_code = {res.status}")
tasks = [async_http() for _ in range(5)]
start = time.time()
# Python 3.7 及以后,不需要显式声明事件循环,可以使用 asyncio.run()来代替最后的启动操作
asyncio.run(asyncio.wait(tasks))
print(f"aiohttp异步耗时：{time.time() - start}")
"""
当前时间：2022-09-05 15:42:32.363966, status_code = 200
当前时间：2022-09-05 15:42:32.366957, status_code = 200
当前时间：2022-09-05 15:42:32.374973, status_code = 200
当前时间：2022-09-05 15:42:32.384909, status_code = 200
当前时间：2022-09-05 15:42:32.390318, status_code = 200
aiohttp异步耗时：2.5826876163482666
"""
两次对比可以看到执行过程，时间一个是顺序执行，一个是同时执行。这就是同步和异步的区别。
aiohttp使用介绍
接下来我们会详细介绍aiohttp库的用法和爬取实战。aiohttp 是一个支持异步请求的库，它和 asyncio 配合使用，可以使我们非常方便地实现异步请求操作。asyncio模块，其内部实现了对TCP、UDP、SSL协议的异步操作，但是对于HTTP请求，就需要aiohttp实现了。
aiohttp分为两部分，一部分是Client，一部分是Server。下面来说说aiohttp客户端部分的用法。
基本实例
先写一个简单的案例
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author : 钢铁知识库
import asyncio
import aiohttp
async def get_api(session, url):
# 声明一个支持异步的上下文管理器
async with session.get(url) as response:
return await response.text(), response.status
async def main():
async with aiohttp.ClientSession() as session:
html, status = await get_api(session, "http://httpbin.org/delay/2")
print(f"html: {html[:50]}")
print(f"status : {status}")
if __name__ == "__main__":
# Python 3.7 及以后,不需要显式声明事件循环,可以使用 asyncio.run(main())来代替最后的启动操作
asyncio.get_event_loop().run_until_complete(main())
"""
html: {
"args": {},
"data": "",
"files": {},
status : 200
Process finished with exit code 0
"""
aiohttp请求的方法和之前有明显区别，主要包括如下几点：
- 除了导入aiohttp库，还必须引入asyncio库，因为要实现异步，需要启动协程。
- 异步的方法定义不同，前面都要统一加async来修饰。
- with as用于声明上下文管理器，帮我们自动分配和释放资源，加上async代码支持异步。
- 对于返回协程对象的操作，前面需要加await来修饰。response.text()返回的是协程对象。
- 最后运行启用循环事件
注意：Python3.7及以后的版本中，可以使用asyncio.run(main())代替最后的启动操作。
URL参数设置
对于URL参数的设置，我们可以借助params设置，传入一个字典即可，实例如下：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author : 钢铁知识库
import aiohttp
import asyncio
async def main():
params = {"name": "钢铁知识库", "age": 23}
async with aiohttp.ClientSession() as session:
async with session.get("https://www.httpbin.org/get", params=params) as res:
print(await res.json())
if __name__ == "__main__":
asyncio.get_event_loop().run_until_complete(main())
"""
{"args": {"age": "23", "name": "钢铁知识库"}, "headers": {"Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Host": "www.httpbin.org", "User-Agent": "Python/3.8 aiohttp/3.8.1", "X-Amzn-Trace-Id": "Root=1-63162e34-1acf7bde7a6d801368494c72"}, "origin": "122.55.11.188", "url": "https://www.httpbin.org/get?name=钢铁知识库&age=23"}
"""
可以看到实际请求的URL后面带了后缀，这就是params的内容。
请求类型
除了get请求，aiohttp还支持其它请求类型，如POST、PUT、DELETE等，和requests使用方式类似。
session.post("http://httpbin.org/post", data=b"data")
session.put("http://httpbin.org/put", data=b"data")
session.delete("http://httpbin.org/delete")
session.head("http://httpbin.org/get")
session.options("http://httpbin.org/get")
session.patch("http://httpbin.org/patch", data=b"data")
要使用这些方法，只需要把对应的方法和参数替换一下。用法和get类似就不再举例。
响应的几个方法
对于响应来说，我们可以用如下方法分别获取其中的响应情况。状态码、响应头、响应体、响应体二进制内容、响应体JSON结果，实例如下：
#!/usr/bin/env python
# @Author : 钢铁知识库
import aiohttp
import asyncio
async def main():
data = {"name": "钢铁知识库", "age": 23}
async with aiohttp.ClientSession() as session:
async with session.post("https://www.httpbin.org/post", data=data) as response:
print("status:", response.status) # 状态码
print("headers:", response.headers) # 响应头
print("body:", await response.text()) # 响应体
print("bytes:", await response.read()) # 响应体二进制内容
print("json:", await response.json()) # 响应体json数据
if __name__ == "__main__":
asyncio.get_event_loop().run_until_complete(main())
"""
status: 200
headers: <CIMultiDictProxy("Date": "Tue, 06 Sep 2022 00:18:36 GMT", "Content-Type": "application/json", "Content-Length": "534", "Connection": "keep-alive", "Server": "gunicorn/19.9.0", "Access-Control-Allow-Origin": "*", "Access-Control-Allow-Credentials": "true")>
body: {
"args": {},
"data": "",
"files": {},
"form": {
"age": "23",
"name": "u94a2u94c1u77e5u8bc6u5e93"
},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Content-Length": "57",
"Content-Type": "application/x-www-form-urlencoded",
"Host": "www.httpbin.org",
"User-Agent": "Python/3.8 aiohttp/3.8.1",
"X-Amzn-Trace-Id": "Root=1-631691dc-6aa1b2b85045a1a0481d06e1"
},
"json": null,
"origin": "122.55.11.188",
"url": "https://www.httpbin.org/post"
}
bytes: b"{
"args": {},
"data": "",
"files": {},
"form": {
"age": "23",
"name": "\u94a2\u94c1\u77e5\u8bc6\u5e93"
},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Content-Length": "57",
"Content-Type": "application/x-www-form-urlencoded",
"Host": "www.httpbin.org",
"User-Agent": "Python/3.8 aiohttp/3.8.1",
"X-Amzn-Trace-Id": "Root=1-631691dc-6aa1b2b85045a1a0481d06e1"
},
"json": null,
"origin": "122.5.132.196",
"url": "https://www.httpbin.org/post"
}
"
json: {"args": {}, "data": "", "files": {}, "form": {"age": "23", "name": "钢铁知识库"}, "headers": {"Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Content-Length": "57", "Content-Type": "application/x-www-form-urlencoded", "Host": "www.httpbin.org", "User-Agent": "Python/3.8 aiohttp/3.8.1", "X-Amzn-Trace-Id": "Root=1-631691dc-6aa1b2b85045a1a0481d06e1"}, "json": None, "origin": "122.55.11.188", "url": "https://www.httpbin.org/post"}
"""
可以看到有些字段前面需要加await，因为其返回的是一个协程对象(如async修饰的方法)，那么前面就要加await。
超时设置
我们可以借助ClientTimeout对象设置超时，例如要设置1秒的超时时间，可以这么实现：
#!/usr/bin/env python
# @Author : 钢铁知识库
import aiohttp
import asyncio
async def main():
# 设置 1 秒的超时
timeout = aiohttp.ClientTimeout(total=1)
data = {"name": "钢铁知识库", "age": 23}
async with aiohttp.ClientSession(timeout=timeout) as session:
async with session.get("https://www.httpbin.org/delay/2", data=data) as response:
print("status:", response.status) # 状态码
if __name__ == "__main__":
asyncio.get_event_loop().run_until_complete(main())
"""
Traceback (most recent call last):
####中间省略####
raise asyncio.TimeoutError from None
asyncio.exceptions.TimeoutError
"""
这里设置了超时1秒请求延时2秒，发现抛出异常asyncio.TimeoutError，如果正常则响应200。
并发限制
aiohttp可以支持非常高的并发量，但面对高并发网站可能会承受不住，随时有挂掉的危险，这时需要对并发进行一些控制。现在我们借助asyncio 的Semaphore来控制并发量，实例如下：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author : 钢铁知识库
import asyncio
from datetime import datetime
import aiohttp
# 声明最大并发量
semaphore = asyncio.Semaphore(2)
async def get_api():
async with semaphore:
print(f"scrapting...{datetime.now()}")
async with session.get("https://www.baidu.com") as response:
await asyncio.sleep(2)
# print(f"当前时间：{datetime.now()}, {response.status}")
async def main():
global session
session = aiohttp.ClientSession()
tasks = [asyncio.ensure_future(get_api()) for _ in range(1000)]
await asyncio.gather(*tasks)
await session.close()
if __name__ == "__main__":
asyncio.get_event_loop().run_until_complete(main())
"""
scrapting...2022-09-07 08:11:14.190000
scrapting...2022-09-07 08:11:14.292000
scrapting...2022-09-07 08:11:16.482000
scrapting...2022-09-07 08:11:16.504000
scrapting...2022-09-07 08:11:18.520000
scrapting...2022-09-07 08:11:18.521000
"""
在main方法里，我们声明了1000个task，如果没有通过Semaphore进行并发限制，那这1000放到gather方法后会被同时执行，并发量相当大。有了信号量的控制之后，同时运行的task数量就会被控制，这样就能给aiohttp限制速度了。
aiohttp异步爬取实战
接下来我们通过异步方式练手一个小说爬虫，需求如下：
需求页面：https://dushu.baidu.com/pc/detail?gid=4308080950
目录接口：https://dushu.baidu.com/api/pc/getCatalog?data={“book_id”:”4308080950″}
详情接口：https://dushu.baidu.com/api/pc/getChapterContent?data={"book_id":"4295122774","cid":"4295122774|116332"}
关键参数：book_id：小说ID、cid：章节id
采集要求：使用协程方式写入，数据存放进mongo
需求分析：点开需求页面，通过F12抓包可以发现两个接口。一个目录接口，一个详情接口。
首先第一步先请求目录接口拿到cid章节id，然后将cid传递给详情接口拿到小说数据，最后存入mongo即可。
话不多说，直接上代码：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author : 钢铁知识库
# 不合适就是不合适，真正合适的，你不会有半点犹豫。
import asyncio
import json,re
import logging
import aiohttp
import requests
from utils.conn_db import ConnDb
# 日志格式
logging.basicConfig(level=logging.INFO, format="%(asctime)s - %(levelname)s: %(message)s")
# 章节目录api
b_id = "4308080950"
url = "https://dushu.baidu.com/api/pc/getCatalog?data={"book_id":""+b_id+""}"
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "
"Chrome/104.0.0.0 Safari/537.36"
}
# 并发声明
semaphore = asyncio.Semaphore(5)
async def download(title,b_id, cid):
data = {
"book_id": b_id,
"cid": f"{b_id}|{cid}",
}
data = json.dumps(data)
detail_url = "https://dushu.baidu.com/api/pc/getChapterContent?data={}".format(data)
async with semaphore:
async with aiohttp.ClientSession(headers=headers) as session:
async with session.get(detail_url) as response:
res = await response.json()
content = {
"title": title,
"content": res["data"]["novel"]["content"]
}
# print(title)
await save_data(content)
async def save_data(data):
if data:
client = ConnDb().conn_motor_mongo()
db = client.baidu_novel
collection = db.novel
logging.info("saving data %s", data)
await collection.update_one(
{"title": data.get("title")},
{"$set": data},
upsert=True
)
async def main():
res = requests.get(url, headers=headers)
tasks = []
for re in res.json()["data"]["novel"]["items"]: # 拿到某小说目录cid
title = re["title"]
cid = re["cid"]
tasks.append(download(title, b_id, cid)) # 将请求放到列表里，再通过gather执行并发
await asyncio.gather(*tasks)
if __name__ == "__main__":
asyncio.run(main())
至此，我们就使用aiohttp完成了对小说章节的爬取。
要实现异步处理，得先要有挂起操作，当一个任务需要等待 IO 结果的时候，可以挂起当前任务，转而去执行其他任务，这样才能充分利用好资源，要实现异步，需要了解 await 的用法，使用 await 可以将耗时等待的操作挂起，让出控制权。当协程执行的时候遇到 await，时间循环就会将本协程挂起，转而去执行别的协程，直到其他的协程挂起或执行完毕。
await 后面的对象必须是如下格式之一：
- A native coroutine object returned from a native coroutine function，一个原生 coroutine 对象。
- A generator-based coroutine object returned from a function decorated with types.coroutine，一个由 types.coroutine 修饰的生成器，这个生成器可以返回 coroutine 对象。
- An object with an await method returning an iterator，一个包含 await 方法的对象返回的一个迭代器。
—- 20220909 钢铁知识库
总结
以上就是借助协程async和异步aiohttp两个主要模块完成异步爬虫的内容，
aiohttp 以异步方式爬取网站的耗时远小于 requests 同步方式，以上列举的例子希望对你有帮助。
注意，线程和协程是两个概念，后面找机会我们再聊聊进程和线程、线程和协程的关系。
