Python爬蟲中的并發(fā)編程詳解

更新時間：2023年05月04日 09:53:50 作者：互聯(lián)小助手

Python爬蟲中的并發(fā)編程是一種優(yōu)化爬取速度、解決阻塞問題、優(yōu)化資源利用的方式。常用的并發(fā)編程模塊包括多線程、多進(jìn)程、協(xié)程等，通過并發(fā)處理多個任務(wù)，可以提高爬取效率，節(jié)省爬蟲資源利用成本。同時，還需注意線程安全、共享資源問題等并發(fā)編程中的常見陷阱

并發(fā)編程在爬蟲中的應(yīng)用

本文將為大家介紹 Python 中的多線程、多進(jìn)程和異步編程，并且以爬取“360圖片”網(wǎng)站的圖片并保存到本地為例，為大家分別展示使用單線程、多線程和異步 I/O 編程的爬蟲程序有什么區(qū)別，同時也對它們的執(zhí)行效率進(jìn)行簡單的對比。

什么是并發(fā)編程

并發(fā)編程是指在一個時間段內(nèi)，能夠執(zhí)行多個操作的程序設(shè)計，通常表現(xiàn)為程序中有多個任務(wù)同時啟動，可以運行并且相互之間不會產(chǎn)生影響。并發(fā)編程的好處是可以提高程序的性能和響應(yīng)能力。

并發(fā)編程在爬蟲中的應(yīng)用

爬蟲程序是典型的 I/O 密集型任務(wù)，對于 I/O 密集型任務(wù)來說，多線程和異步 I/O 都是很好的選擇，因為當(dāng)程序的某個部分因 I/O 操作阻塞時，程序的其他部分仍然可以運轉(zhuǎn)，這樣我們不用在等待和阻塞中浪費大量的時間。

單線程版本

我們首先來看單線程版本的爬蟲程序。這個爬蟲程序使用了requests庫獲取 JSON 數(shù)據(jù)，并通過open函數(shù)將圖片保存到本地。

"""
example04.py - 單線程版本爬蟲
"""
import os
import requests
def download_picture(url):
    filename = url[url.rfind('/') + 1:]
    resp = requests.get(url)
    if resp.status_code == 200:
        with open(f'images/beauty/{filename}', 'wb') as file:
            file.write(resp.content)
def main():
    if not os.path.exists('images/beauty'):
        os.makedirs('images/beauty')
    for page in range(3):
        resp = requests.get(f'<https://image.so.com/zjl?ch=beauty&sn=>{page * 30}')
        if resp.status_code == 200:
            pic_dict_list = resp.json()['list']
            for pic_dict in pic_dict_list:
                download_picture(pic_dict['qhimg_url'])
if __name__ == '__main__':
    main()

在 macOS 或 Linux 系統(tǒng)上，我們可以使用time命令來了解上面代碼的執(zhí)行時間以及 CPU 的利用率，如下所示。

time python3 example04.py

下面是單線程爬蟲代碼在我的電腦上執(zhí)行的結(jié)果。

python3 example04.py 2.36s user 0.39s system 12% cpu 21.578 total

這里我們只需要關(guān)注代碼的總耗時為21.578秒，CPU 利用率為12%。

多線程版本

我們使用之前講到過的線程池技術(shù)，將上面的代碼修改為多線程版本。

"""
example05.py - 多線程版本爬蟲
"""
import os
from concurrent.futures import ThreadPoolExecutor
import requests
def download_picture(url):
    filename = url[url.rfind('/') + 1:]
    resp = requests.get(url)
    if resp.status_code == 200:
        with open(f'images/beauty/{filename}', 'wb') as file:
            file.write(resp.content)
def main():
    if not os.path.exists('images/beauty'):
        os.makedirs('images/beauty')
    with ThreadPoolExecutor(max_workers=16) as pool:
        for page in range(3):
            resp = requests.get(f'<https://image.so.com/zjl?ch=beauty&sn=>{page * 30}')
            if resp.status_code == 200:
                pic_dict_list = resp.json()['list']
                for pic_dict in pic_dict_list:
                    pool.submit(download_picture, pic_dict['qhimg_url'])
if __name__ == '__main__':
    main()

執(zhí)行如下所示的命令。

time python3 example05.py

代碼的執(zhí)行結(jié)果如下所示：

python3 example05.py 2.65s user 0.40s system 95% cpu 3.193 total

異步I/O版本

我們使用aiohttp將上面的代碼修改為異步 I/O 的版本。為了以異步 I/O 的方式實現(xiàn)網(wǎng)絡(luò)資源的獲取和寫文件操作，我們首先得安裝三方庫aiohttp和aiofile。

pip install aiohttp aiofile

下面是異步 I/O 版本的爬蟲代碼。

"""
example06.py - 異步I/O版本爬蟲
"""
import asyncio
import json
import os
import aiofile
import aiohttp
async def download_picture(session, url):
    filename = url[url.rfind('/') + 1:]
    async with session.get(url, ssl=False) as resp:
        if resp.status == 200:
            data = await resp.read()
            async with aiofile.async_open(f'images/beauty/{filename}', 'wb') as file:
                await file.write(data)
async def main():
    if not os.path.exists('images/beauty'):
        os.makedirs('images/beauty')
    async with aiohttp.ClientSession() as session:
        tasks = []
        for page in range(3):
            resp = await session.get(f'<https://image.so.com/zjl?ch=beauty&sn=>{page * 30}')
            if resp.status == 200:
                pic_dict_list = (await resp.json())['list']
                for pic_dict in pic_dict_list:
                    tasks.append(asyncio.ensure_future(download_picture(session, pic_dict['qhimg_url'])))
        await asyncio.gather(*tasks)
if __name__ == '__main__':
    loop = asyncio.get_event_loop()
    loop.run_until_complete(main())

執(zhí)行如下所示的命令。