爬虫的单线程+多任务异步协程:asyncio 3.6

单线程+多任务异步协程:asyncio 3.6

• 事件循环

  • 无限循环的对象.事件循环中最终需要将一些 特殊的函数(被async关键字修饰的函数) 注册在该对象中.

• 协程

  • 本质上是一个对象.可以把协程对象(特殊的函数)注册到事件循环中

• 任务对象

  • 就是对协程对象进一步的封装.

• 绑定回调: task.add_done_callback(func)

  • func(task):task参数表示的就是绑定的任务对象
  • task.result():返回就是任务对象对应的特殊函数内部的返回值
  • 回调多被用作于爬虫中的解析方法

• await

  • 在任务对象对应的特殊函数内部的实现语句中,如果出现了阻塞的操作,则必须使用await进行修饰

• 异步操作的体现

  • 当将多个协程对象(特殊的函数)注册到事件循环中后,事件循环开启后,则会循环执行其内部的协程对象们
  • 假如事件循环对象在执行某一个协程对象时,发生了阻塞,则事件循环对象不会等待阻塞结束,反而会执行下一个协程对象

• aiohttp:支持异步的网络请求模块

  • 中文文档
    • https://www.cntofu.com/book/127/aiohttp%E6%96%87%E6%A1%A3/ClientUsage.md
  • 环境安装 pip或者直接pycharm安装都可以
  • 如何进行UA伪装:
    • session.get(url,headers)
  • 参数的封装
    • session.get(url,headers,data/params)
  • 代理IP方式:
    • session.get(url,proxy="http://ip:port")

• 简单示例

  import asyncio
  #特殊的函數：该函数调用后,函数内部的程序语句不会被执行,但是该函数调用会返回一个协程对象
  async def test():
      print('i am test()')
      print('i am test()')
      print('i am test()')
  
  #调用该特殊函数,让其返回一个协程对象
  c = test()
  
  #创建一个事件循环对象
  loop = asyncio.get_event_loop()
  
  #将协程对象注册到事件循环对象中,并且开启事件循环
  loop.run_until_complete(c)
  
  print(c)
  

• 任务对象的使用

  import asyncio
  #特殊的函數：该函数调用后,函数内部的程序语句不会被执行,但是该函数调用会返回一个协程对象
  async def test():
      print('i am test()')
      
  #调用该特殊函数,让其返回一个协程对象
  c = test()
  
  #将协程对象封装到任务对象中
  task = asyncio.ensure_future(c)
  
  #创建一个事件循环对象
  loop = asyncio.get_event_loop()
  
  #将任务对象注册到事件循环对象中,并且开启事件循环
  loop.run_until_complete(task)
  

• 任务对象绑定回调函数

  import asyncio
  #特殊的函數：该函数调用后,函数内部的程序语句不会被执行,但是该函数调用会返回一个协程对象
  async def test():
      print('i am test()')
      return 'hello bobo'
  
  #任务对象的回调函数,参数task表示的就是任务对象
  def func(task):
      # print('i am task callback!')
      print(task.result()) #返回的是任务对象对应的特殊函数的返回值
      
  #调用该特殊函数,让其返回一个协程对象
  c = test()
  
  #将协程对象封装到任务对象中
  task = asyncio.ensure_future(c)
  
  #给任务对象绑定一个回调函数
  task.add_done_callback(func)
  
  #创建一个事件循环对象
  loop = asyncio.get_event_loop()
  
  #将任务对象注册到事件循环对象中,并且开启事件循环
  loop.run_until_complete(task)
  

• 多任务异步协程

  import asyncio
  import time
  #函数内部不可以出现不支持异步模块的代码
  #该函数内部的异步操作必须使用await进行修饰
  async def request(url):
      print('正在下载:',url)
      # time.sleep(2) #time模块是一个不支持异步的模块
      await asyncio.sleep(2) #asyncio模块中提供的一个支持异步的阻塞方法
      print(url,'下载完毕!')
      return url
      
  #创建一个回调函数
  def callback(task):
  	#返回的是任务对象对应的特殊函数的返回值
      print(task.result())
  
  urls = [
      'www.1.com',
      'www.2.com',
      'www.3.com',
      'www.4.com',
  ]
  #记录开始时间
  start = time.time()
  #任务列表
  tasks = []
  for url in urls:
  	#调用该特殊函数,让其返回一个协程对象
      c = request(url)
      #将协程对象封装到任务对象中
      task = asyncio.ensure_future(c)
      # 给任务对象绑定回调
      task.add_done_callback(callback)
  	#将任务对象添加到列表中
      tasks.append(task)
  
  #创建一个事件循环对象
  loop = asyncio.get_event_loop()
  #将任务对象列表注册到事件循环对象中,并且开启事件循环
  loop.run_until_complete(asyncio.wait(tasks))
  ##记录结束时间
  print(time.time()-start)
  

• 单线程+多任务异步协程的爬虫

  import asyncio
  import requests
  import time
  import aiohttp
  from lxml import etree
  urls = [
      'http://localhost:5000/bobo',
      'http://localhost:5000/jay',
      'http://localhost:5000/tom',
  
      'http://localhost:5000/bobo',
      'http://localhost:5000/jay',
      'http://localhost:5000/tom'
  ]
  
  # async def get_page(url):
  #     #requests模块是一个不支持异步的模块,解决方法就是使用一个支持异步的模块进行请求发送
  #     page_text =  requests.get(url=url).text
  #     return page_text
  
  async def get_page(url):
      #使用aiohttp进行请求发送
      #实例化了一个发送网络请求的对象
      async with aiohttp.ClientSession() as session:
      	#该函数内部的异步操作必须使用await进行修饰
          async with await session.get(url) as response:
              #获取响应数据(页面源码数据)
              page_text = await response.text()
              # print(page_text)
              return page_text
  #数据解析的操作需要在回调函数中实现
  def parse(task):
      page_text = task.result()
      tree = etree.HTML(page_text)
      parse_data = tree.xpath('//body/text()')[0]
      print(parse_data)
  
  
  start = time.time()
  tasks = []
  for url in urls:
  	#调用该特殊函数,让其返回一个协程对象
      c = get_page(url)
      #将协程对象封装到任务对象中
      task = asyncio.ensure_future(c)
      # 给任务对象绑定回调
      task.add_done_callback(parse)
      #将任务对象添加到列表中
      tasks.append(task)
  #创建一个事件循环对象
  loop = asyncio.get_event_loop()
  #将任务对象列表注册到事件循环对象中,并且开启事件循环
  loop.run_until_complete(asyncio.wait(tasks))
  
  print(time.time()-start)
  

• 单线程+多任务异步协程的应用

  #爬取喜马拉雅中的相声音频
  import requests
  import aiohttp
  import asyncio
  #通用的url模板
  url = 'https://www.ximalaya.com/revision/play/album?albumId=19366477&pageNum=%d&sort=1&pageSize=2'
  headers = {
      'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36'
  }
  #获取了所有即将被下载的音频连接
  urls = []
  for page in range(1,3):
      new_url = format(url%page)
      dic_obj = requests.get(url=new_url,headers=headers).json()
      for dic in dic_obj['data']['tracksAudioPlay']:
          audio_url = dic['src']
          urls.append(audio_url)
  
  #特殊的函數：该函数调用后,函数内部的程序语句不会被执行,但是该函数调用会返回一个协程对象
  async def get_audio_data(url):
  	#使用aiohttp进行请求发送
      #实例化了一个发送网络请求的对象
      async with aiohttp.ClientSession() as s:
      	#该函数内部的异步操作必须使用await进行修饰
          async with await s.get(url=url,headers=headers) as response:
              audio_data = await response.read()  #read()返回的是二进制形式的响应数据
              return {'data':audio_data,'url':url}
  
  #任务对象的回调函数,进行数据的持久化存储
  def saveData(task):
      dic_obj = task.result()
      name = dic_obj['url'].split('/')[-1]
      data = dic_obj['data']
      with open(name,'wb') as fp:
          fp.write(data)
      print(name+'下载完毕!')
  
  tasks = []
  for url in urls:
  	#调用该特殊函数,让其返回一个协程对象
      c = get_audio_data(url)
      #将协程对象封装到任务对象中
      task = asyncio.ensure_future(c)
      # 给任务对象绑定回调函数
      task.add_done_callback(saveData)
      #将任务对象添加到列表中
      tasks.append(task)
  #创建一个事件循环对象
  loop = asyncio.get_event_loop()
  #将任务对象列表注册到事件循环对象中,并且开启事件循环
  loop.run_until_complete(asyncio.wait(tasks))