python网络爬虫——单线程+异步协程

- 在python3.4之后新增了asyncio模块，可以帮我们检测IO（只能是网络IO【HTTP连接就是网络IO操作】），实现应用程序级别的切换（异步IO）。注意：asyncio只能发tcp级别的请求，不能发http协议。

　　- 异步IO：所谓「异步 IO」，就是你发起一个 网络IO 操作，却不用等它结束，你可以继续做其他事情，当它结束时，你会得到通知。

　　- 实现方式：单线程+协程实现异步IO操作。

- 异步协程用法

接下来让我们来了解下协程的实现，从 Python 3.4 开始，Python 中加入了协程的概念，但这个版本的协程还是以生成器对象为基础的，在 Python 3.5 则增加了 async/await，使得协程的实现更加方便。首先我们需要了解下面几个概念：

• event_loop：事件循环，相当于一个无限循环，我们可以把一些函数注册到这个事件循环上，当满足条件发生的时候，就会调用对应的处理方法。

• coroutine：中文翻译叫协程，在 Python 中常指代为协程对象类型，我们可以将协程对象注册到时间循环中，它会被事件循环调用。我们可以使用 async 关键字来定义一个方法，这个方法在调用时不会立即被执行，而是返回一个协程对象。

• task：任务，它是对协程对象的进一步封装，包含了任务的各个状态。

• future：代表将来执行或没有执行的任务的结果，实际上和 task 没有本质区别。

另外我们还需要了解 async/await 关键字，它是从 Python 3.5 才出现的，专门用于定义协程。其中，async 定义一个协程，await 用来挂起阻塞方法的执行。

　　- 定义一个协程

示例： 

from time import sleep
import asyncio

async def request(url):
    print('正在请求url')
    sleep(2)
    print('下载成功')

# 返回一个特殊的协程对象，request函数内部不会被执行
c = request('www.baidu.com')

# 实例化一个事件循环对象
loop = asyncio.get_event_loop()

# 基于事件循环对象创建一个任务对象,并将协程对象封装到该对象中
task = loop.create_task(c)

# 另一种形式实例化任务对象的方法
task = asyncio.ensure_future(c)

# 将协程对象注册到事件循环对象中，并需要启动事件循环对象
# 当事件循环对象内的第一个参数遇到阻塞是，就会自动执行后面的对象，当第一个对象的阻塞结束是会上报给事件循环对象，然后事件循环对象继续执行第一个对象，从而达到异步的效果
loop.run_until_complete(task)

2.给任务对象绑定回调

import asyncio

async def request(url):
    print('正在请求url')
    print('下载成功')
    return url

# 回调函数必须有一个参数：task【任务对象】
# task.result()：任务对象中封装的协程对象对应的特殊函数内部的返回值
def callback(task):
    print('this is callback')
    print(task.result())

c = request('www.baidu.com')
# 创建一个任务对象
task = asyncio.ensure_future(c)
# 给任务对象绑定一个回调函数
task.add_done_callback(callback)
# 实例化一个事件循环对象
loop = asyncio.get_event_loop()
# 将协程对象注册到事件循环对象中，并需要启动事件循环对象
loop.run_until_complete(task)

3.多任务异步协程

import asyncio
import time

urls = ['www.baidu.com','www.sogou,com','www.goubanjia.com']
start_time = time.time()
async def request(url):
    print('正在请求url')
    # 在多任务异步协程事项中，不可以出现不支持异步的相关代码，sleep不支持
    # sleep(2)
    await asyncio.sleep(2)
    print('下载成功')

loop = asyncio.get_event_loop()
# 任务列表：防止多个任务对象
tasks = []
for url in urls:
    c = request(url)
    task = asyncio.ensure_future(c)
    tasks.append(task)

loop.run_until_complete(asyncio.wait(tasks))
print(time.time() - start_time)

4.多异步任务协程应用

# aiohttp:支持异步的一个基于网络请求的模块
import aiohttp
import asyncio
import time

urls = ['http://127.0.0.1:5000/jay',
        'http://127.0.0.1:5000/bobo',
        'http://127.0.0.1:5000/tom',]

start_time = time.time()

async def get_pageText(url):
    async with aiohttp.ClientSession() as s:# 实例化请求对象
        async with await s.get(url) as response:
            page_text = await response.text()
            print(page_text)
            # 这里有返回值，是因为要用回调函数进行数据解析
            return page_text

# 封装回调函数用于数据解析
def parse(task):
    # 1.获取相应数据
    page_text = task.reault()
    print(page_text+'，即将进行数据解析...')
    # 以下解析操作


tasks = []
for url in urls:
    c = get_pageText(url)
    task = asyncio.ensure_future(c)
    # 给任务对象绑定回调函数用于数据解析
    task.add_done_callback(parse)
    tasks.append(task)

loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))
print(time.time() - start_time)