看到现在网络上大多讲的都是requests、scrapy，却没有说到爬虫中的神器：aiohttp
aiohttp 介绍
aiohttp是什么，官网上有这样一句话介绍：Async HTTP client/server for asyncio and Python，翻译过来就是 asyncio和Python的异步HTTP客户端/服务器
主要特点是：
- 支持客户端和HTTP服务器。
- 无需使用Callback Hell即可支持Server WebSockets和Client WebSockets。
- Web服务器具有中间件，信号和可插拔路由。
emmmm，好吧，还是来看代码吧
Client example:
1 | 复制代码import aiohttpimport asyncioasync def fetch(session, url): async with session.get(url) as response: return await response.text()async def main(): async with aiohttp.ClientSession() as session: html = await fetch(session, 'http://httpbin.org/headers') print(html)loop = asyncio.get_event_loop()loop.run_until_complete(main()) |
output:
1 | 复制代码{"headers":{"Accept":"*/*","Accept-Encoding":"gzip, deflate","Connection":"close","Host":"httpbin.org","User-Agent":"Python/3.6 aiohttp/3.2.1"}} |
Server example:
1 | 复制代码from aiohttp import webasync def handle(request): name = request.match_info.get('name', "Anonymous") text = "Hello, " + name return web.Response(text=text)app = web.Application()app.add_routes([web.get('/', handle), web.get('/{name}', handle)])web.run_app(app) |
output:
1 | 复制代码======== Running on http://0.0.0.0:8080 ========(Press CTRL+C to quit) |
aiohttp 与 requests
去翻一下官方文档 Client Quickstart，让我感觉非常熟悉，很多用法和requests相似。
1 | 复制代码async with aiohttp.ClientSession() as session: async with session.get('http://httpbin.org/get') as resp: print(resp.status) print(await resp.text()) |
首先，官方推荐使用ClientSession来管理会话，这不就是requests中的 session吗？用法也类似，使用session.get()去发送 get请求，返回的resp中就有我们所需要的数据了，用法也和 requests一样，text（）文本， .json()直接打印返回的json数据，
headers什么的也一样，更多内容参考官方文档Response object
既然已经有requests了，那为什么还要说 aiohttp了？重点来了，aiohttp是异步的。在python3.5中，加入了 asyncio/await 关键字，使得回调的写法更加直观和人性化。而aiohttp是一个提供异步web服务的库， asyncio可以实现单线程并发IO操作。
requests写爬虫是同步的，是等待网页下载好才会执行下面的解析、入库操作，如果在下载网页时间太长会导致阻塞，使用 multiprocessing或者 threading加速爬虫也是一种方法。
我们现在使用的aiohttp是异步的，简单来说，就是不需要等待，你尽管去下载网页就好了，我不用傻傻的等待你完成才进行下一步，我还有别的活要干。这样就极大的提高了下载网页的效率。
另外，Scrapy也是异步的，是基于Twisted事件驱动的。在任何情况下，都不要写阻塞的代码。阻塞的代码包括：
- 访问文件、数据库或者Web
- 产生新的进程并需要处理新进程的输出，如运行shell命令
- 执行系统层次操作的代码，如等待系统队列
代码实例
这里是使用aiohttp的一个爬虫实例
1 | 复制代码import asyncioimport aiohttpfrom bs4 import BeautifulSoupimport loggingclass AsnycGrab(object): def __init__(self, url_list, max_threads): self.urls = url_list self.results = {} self.max_threads = max_threads def __parse_results(self, url, html): try: soup = BeautifulSoup(html, 'html.parser') title = soup.find('title').get_text() except Exception as e: raise e if title: self.results[url] = title async def get_body(self, url): async with aiohttp.ClientSession() as session: async with session.get(url, timeout=30) as response: assert response.status == 200 html = await response.read() return response.url, html async def get_results(self, url): url, html = await self.get_body(url) self.__parse_results(url, html) return 'Completed' async def handle_tasks(self, task_id, work_queue): while not work_queue.empty(): current_url = await work_queue.get() try: task_status = await self.get_results(current_url) except Exception as e: logging.exception('Error for {}'.format(current_url), exc_info=True) def eventloop(self): q = asyncio.Queue() [q.put_nowait(url) for url in self.urls] loop = asyncio.get_event_loop() tasks = [self.handle_tasks(task_id, q, ) for task_id in range(self.max_threads)] loop.run_until_complete(asyncio.wait(tasks)) loop.close()if __name__ == '__main__': async_example = AsnycGrab(['http://edmundmartin.com', 'https://www.udemy.com', 'https://github.com/', 'https://zhangslob.github.io/', 'https://www.zhihu.com/'], 5) async_example.eventloop() print(async_example.results) |
需要注意的是，你需要时刻在你的代码中使用异步操作，你如果在代码中使用同步操作，爬虫并不会报错，但是速度可能会受影响。
其他异步库
因为爬虫不仅仅只有下载这块，还会有操作数据库，这里提供两个异步库：aioredis、 motor
1 | 复制代码import asyncioimport aioredisloop = asyncio.get_event_loop()async def go(): conn = await aioredis.create_connection( 'redis://localhost', loop=loop) await conn.execute('set', 'my-key', 'value') val = await conn.execute('get', 'my-key') print(val) conn.close() await conn.wait_closed()loop.run_until_complete(go())# will print 'value' |
文档：aioredis
1 | 复制代码import motor.motor_asyncioclient = motor.motor_asyncio.AsyncIOMotorClient('mongodb://localhost:27017')db = client['test_database']collection = db['test_collection']async def do_insert(): document = {'key': 'value'} result = await db.test_collection.insert_one(document) print('result %s' % repr(result.inserted_id))async def do_find_one(): document = await db.test_collection.find_one({'i': {'$lt': 1}}) pprint.pprint(document) |
文档：motor
本文仅仅介绍了aiohttp作为Client的用法， 有兴趣的朋友可以去研究下作为Server的用法，同样很强大。
本文转载自: 掘金
