首页 > 代码库 > Python实现基于协程的异步爬虫
Python实现基于协程的异步爬虫
一、课程介绍
1. 课程来源
本课程核心部分来自《500 lines or less》项目,作者是来自 MongoDB 的工程师 A. Jesse Jiryu Davis 与 Python 之父 Guido van Rossum。项目代码使用 MIT 协议,项目文档使用 http://creativecommons.org/licenses/by/3.0/legalcode 协议。
课程内容在原文档基础上做了稍许修改,增加了部分原理介绍,步骤的拆解分析及源代码注释。
2. 内容简介
传统计算机科学往往将大量精力放在如何追求更有效率的算法上。但如今大部分涉及网络的程序,它们的时间开销主要并不是在计算上,而是在维持多个Socket连接上。亦或是它们的事件循环处理的不够高效导致了更多的时间开销。对于这些程序来说,它们面临的挑战是如何更高效地等待大量的网络事件并进行调度。目前流行的解决方式就是使用异步I/O。
本课程将探讨几种实现爬虫的方法,从传统的线程池到使用协程,每节课实现一个小爬虫。另外学习协程的时候,我们会从原理入手,以ayncio协程库为原型,实现一个简单的异步编程模型。
本课程实现的爬虫为爬一个整站的爬虫,不会爬到站点外面去,且功能较简单,主要目的在于学习原理,提供实现并发与异步的思路,并不适合直接改写作为日常工具使用。
3. 课程知识点
本课程项目完成过程中,我们将学习:
- 线程池实现并发爬虫
- 回调方法实现异步爬虫
- 协程技术的介绍
- 一个基于协程的异步编程模型
- 协程实现异步爬虫
二、实验环境
本课程使用Python 3.4
,所以本课程内运行py
脚本都是使用python3
命令。
打开终端,进入 Code
目录,创建 crawler
文件夹, 并将其作为我们的工作目录。
$ cd Code
$ mkdir crawler && cd crawler
环保起见,测试爬虫的网站在本地搭建。
我们使用 Python 2.7 版本官方文档作为测试爬虫用的网站
wget http://labfile.oss.aliyuncs.com/courses/574/python-doc.zip
unzip python-doc.zip
安装serve
,一个用起来很方便的静态文件服务器:
sudo npm install -g serve
启动服务器:
serve python-doc
如果访问不了npm
的资源,也可以用以下方式开启服务器:
ruby -run -ehttpd python-doc -p 3000
访问localhost:3000
查看网站:
三、实验原理
什么是爬虫?
网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。
爬虫的工作流程
网络爬虫基本的工作流程是从一个根URL开始,抓取页面,解析页面中所有的URL,将还没有抓取过的URL放入工作队列中,之后继续抓取工作队列中的URL,重复抓取、解析,将解析到的url放入工作队列的步骤,直到工作队列为空为止。
线程池、回调、协程
我们希望通过并发执行来加快爬虫抓取页面的速度。一般的实现方式有三种:
- 线程池方式:开一个线程池,每当爬虫发现一个新链接,就将链接放入任务队列中,线程池中的线程从任务队列获取一个链接,之后建立socket,完成抓取页面、解析、将新连接放入工作队列的步骤。
- 回调方式:程序会有一个主循环叫做事件循环,在事件循环中会不断获得事件,通过在事件上注册解除回调函数来达到多任务并发执行的效果。缺点是一旦需要的回调操作变多,代码就会非常散,变得难以维护。
- 协程方式:同样通过事件循环执行程序,利用了
Python
的生成器特性,生成器函数能够中途停止并在之后恢复,那么原本不得不分开写的回调函数就能够写在一个生成器函数中了,这也就实现了协程。
四、实验一:线程池实现爬虫
使用socket
抓取页面需要先建立连接,之后发送GET
类型的HTTP
报文,等待读入,将读到的所有内容存入响应缓存。
def fetch(url):
sock = socket.socket()
sock.connect((‘localhost.com‘, 3000))
request = ‘GET {} HTTP/1.0\r\nHost: localhost\r\n\r\n‘.format(url)
sock.send(request.encode(‘ascii‘))
response = b‘‘
chunk = sock.recv(4096)
while chunk:
response += chunk
chunk = sock.recv(4096)
links = parse_links(response)
q.add(links)
默认的socket
连接与读写是阻塞式的,在等待读入的这段时间的CPU占用是被完全浪费的。
多线程
默认这部分同学们都是学过的,所以就粗略记几个重点,没学过的同学可以直接参考廖雪峰的教程:廖雪峰的官方网站-Python多线程
导入线程库:
import threading
开启一个线程的方法:
t = 你新建的线程
t.start() #开始运行线程
t.join() #你的当前函数就阻塞在这一步直到线程运行完
建立线程的两种方式:
#第一种:通过函数创建线程
def 函数a():
pass
t = threading.Thread(target=函数a,name=自己随便取的线程名字)
#第二种:继承线程类
class Fetcher(threading.Thread):
def __init__(self):
Thread.__init__(self):
#加这一步后主程序中断退出后子线程也会跟着中断退出
self.daemon = True
def run(self):
#线程运行的函数
pass
t = Fetcher()
线程同时操作一个全局变量时会产生线程竞争所以需要锁:
lock = threading.Lock()
lock.acquire() #获得锁
#..操作全局变量..
lock.release() #释放锁
多线程同步-队列
默认这部分同学们都是学过的,所以就粗略记几个重点,没学过的同学可以直接参考PyMOTW3-queue — Thread-safe FIFO Implementation:中文翻译版
多线程同步就是多个线程竞争一个全局变量时按顺序读写,一般情况下要用锁,但是使用标准库里的Queue
的时候它内部已经实现了锁,不用程序员自己写了。
导入队列类:
from queue import Queue
创建一个队列:
q = Queue(maxsize=0)
maxsize为队列大小,为0默认队列大小可无穷大。
队列是先进先出的数据结构:
q.put(item) #往队列添加一个item,队列满了则阻塞
q.get(item) #从队列得到一个item,队列为空则阻塞
还有相应的不等待的版本,这里略过。
队列不为空,或者为空但是取得item的线程没有告知任务完成时都是处于阻塞状态
q.join() #阻塞直到所有任务完成
线程告知任务完成使用task_done
q.task_done() #在线程内调用
实现线程池
创建thread.py
文件作为爬虫程序的文件。
我们使用seen_urls
来记录已经解析到的url
地址:
seen_urls = set([‘/‘])
创建Fetcher
类:
class Fetcher(Thread):
def __init__(self, tasks):
Thread.__init__(self)
#tasks为任务队列
self.tasks = tasks
self.daemon = True
self.start()
def run(self):
while True:
url = self.tasks.get()
print(url)
sock = socket.socket()
sock.connect((‘localhost‘, 3000))
get = ‘GET {} HTTP/1.0\r\nHost: localhost\r\n\r\n‘.format(url)
sock.send(get.encode(‘ascii‘))
response = b‘‘
chunk = sock.recv(4096)
while chunk:
response += chunk
chunk = sock.recv(4096)
#解析页面上的所有链接
links = self.parse_links(url, response)
lock.acquire()
#得到新链接加入任务队列与seen_urls中
for link in links.difference(seen_urls):
self.tasks.put(link)
seen_urls.update(links)
lock.release()
#通知任务队列这个线程的任务完成了
self.tasks.task_done()
使用正则库与url解析库来解析抓取的页面,这里图方便用了正则,同学也可以用Beautifulsoup
等专门用来解析页面的Python库:
import urllib.parse
import re
在Fetcher
中实现parse_links
解析页面:
def parse_links(self, fetched_url, response):
if not response:
print(‘error: {}‘.format(fetched_url))
return set()
if not self._is_html(response):
return set()
#通过href属性找到所有链接
urls = set(re.findall(r‘‘‘(?i)href=http://www.mamicode.com/["‘]?([^\s"‘<>]+)‘‘‘,
self.body(response)))
links = set()
for url in urls:
#可能找到的url是相对路径,这时候就需要join一下,绝对路径的话就还是会返回url
normalized = urllib.parse.urljoin(fetched_url, url)
#url的信息会被分段存在parts里
parts = urllib.parse.urlparse(normalized)
if parts.scheme not in (‘‘, ‘http‘, ‘https‘):
continue
host, port = urllib.parse.splitport(parts.netloc)
if host and host.lower() not in (‘localhost‘):
continue
#有的页面会通过地址里的#frag后缀在页面内跳转,这里去掉frag的部分
defragmented, frag = urllib.parse.urldefrag(parts.path)
links.add(defragmented)
return links
#得到报文的html正文
def body(self, response):
body = response.split(b‘\r\n\r\n‘, 1)[1]
return body.decode(‘utf-8‘)
def _is_html(self, response):
head, body = response.split(b‘\r\n\r\n‘, 1)
headers = dict(h.split(‘: ‘) for h in head.decode().split(‘\r\n‘)[1:])
return headers.get(‘Content-Type‘, ‘‘).startswith(‘text/html‘)
实现线程池类与main
的部分:
class ThreadPool:
def __init__(self, num_threads):
self.tasks = Queue()
for _ in range(num_threads):
Fetcher(self.tasks)
def add_task(self, url):
self.tasks.put(url)
def wait_completion(self):
self.tasks.join()
if __name__ == ‘__main__‘:
start = time.time()
#开4个线程
pool = ThreadPool(4)
#从根地址开始抓取页面
pool.add_task("/")
pool.wait_completion()
print(‘{} URLs fetched in {:.1f} seconds‘.format(len(seen_urls),time.time() - start))
运行效果
这里先贴出完整代码:
from queue import Queue
from threading import Thread, Lock
import urllib.parse
import socket
import re
import time
seen_urls = set([‘/‘])
lock = Lock()
class Fetcher(Thread):
def __init__(self, tasks):
Thread.__init__(self)
self.tasks = tasks
self.daemon = True
self.start()
def run(self):
while True:
url = self.tasks.get()
print(url)
sock = socket.socket()
sock.connect((‘localhost‘, 3000))
get = ‘GET {} HTTP/1.0\r\nHost: localhost\r\n\r\n‘.format(url)
sock.send(get.encode(‘ascii‘))
response = b‘‘
chunk = sock.recv(4096)
while chunk:
response += chunk
chunk = sock.recv(4096)
links = self.parse_links(url, response)
lock.acquire()
for link in links.difference(seen_urls):
self.tasks.put(link)
seen_urls.update(links)
lock.release()
self.tasks.task_done()
def parse_links(self, fetched_url, response):
if not response:
print(‘error: {}‘.format(fetched_url))
return set()
if not self._is_html(response):
return set()
urls = set(re.findall(r‘‘‘(?i)href=http://www.mamicode.com/["‘]?([^\s"‘<>]+)‘‘‘,
self.body(response)))
links = set()
for url in urls:
normalized = urllib.parse.urljoin(fetched_url, url)
parts = urllib.parse.urlparse(normalized)
if parts.scheme not in (‘‘, ‘http‘, ‘https‘):
continue
host, port = urllib.parse.splitport(parts.netloc)
if host and host.lower() not in (‘localhost‘):
continue
defragmented, frag = urllib.parse.urldefrag(parts.path)
links.add(defragmented)
return links
def body(self, response):
body = response.split(b‘\r\n\r\n‘, 1)[1]
return body.decode(‘utf-8‘)
def _is_html(self, response):
head, body = response.split(b‘\r\n\r\n‘, 1)
headers = dict(h.split(‘: ‘) for h in head.decode().split(‘\r\n‘)[1:])
return headers.get(‘Content-Type‘, ‘‘).startswith(‘text/html‘)
class ThreadPool:
def __init__(self, num_threads):
self.tasks = Queue()
for _ in range(num_threads):
Fetcher(self.tasks)
def add_task(self, url):
self.tasks.put(url)
def wait_completion(self):
self.tasks.join()
if __name__ == ‘__main__‘:
start = time.time()
pool = ThreadPool(4)
pool.add_task("/")
pool.wait_completion()
print(‘{} URLs fetched in {:.1f} seconds‘.format(len(seen_urls),time.time() - start))
运行python3 thread.py
命令查看效果(记得先开网站服务器):
使用标准库中的线程池
线程池直接使用multiprocessing.pool
中的ThreadPool
:
代码更改如下:
from multiprocessing.pool import ThreadPool
#...省略中间部分...
#...去掉Fetcher初始化中的self.start()
#...删除自己实现的ThreadPool...
if __name__ == ‘__main__‘:
start = time.time()
pool = ThreadPool()
tasks = Queue()
tasks.put("/")
Workers = [Fetcher(tasks) for i in range(4)]
pool.map_async(lambda w:w.run(), Workers)
tasks.join()
pool.close()
print(‘{} URLs fetched in {:.1f} seconds‘.format(len(seen_urls),time.time() - start))
使用ThreadPool
时,它处理的对象可以不是线程对象,实际上Fetcher
的线程部分ThreadPool
根本用不到。因为它自己内部已开了几个线程在等待任务输入。这里偷个懒就只把self.start()
去掉了。可以把Fetcher
的线程部分全去掉,效果是一样的。
ThreadPool
活用了map
函数,这里它将每一个Fetcher
对象分配给线程池中的一个线程,线程调用了Fetcher
的run
函数。这里使用map_async
是因为不希望它在那一步阻塞,我们希望在任务队列join
的地方阻塞,那么到队列为空且任务全部处理完时程序就会继续执行了。
运行python3 thread.py
命令查看效果:
线程池实现的缺陷
我们希望爬虫的性能能够进一步提升,但是我们没办法开太多的线程,因为线程的内存开销很大,每创建一个线程可能需要占用50k的内存。以及还有一点,网络程序的时间开销往往花在I/O上,socket I/O 阻塞时的那段时间是完全被浪费了的。那么要如何解决这个问题呢?
下节课你就知道啦,下节课见~
Python实现基于协程的异步爬虫