python实用技巧之任务切分

Python 大任务切分小任务

今天来说说，Python中的任务切分。以爬虫为例，从一个存 url 的 txt 文件中，读取其内容，我们会获取一个 url 列表。我们把这一个 url 列表称为大任务。

列表切分

在不考虑内存占用的情况下，我们对上面的大任务进行一个切分。比如我们将大任务切分成的小任务是每秒最多只访问5个URL。

import os
import time

CURRENT_DIR = os.path.dirname(os.path.abspath(__file__))

def read_file():
    file_path = os.path.join(CURRENT_DIR, "url_list.txt")
    with open(file_path, "r", encoding="utf-8") as fs:
        result = [i.strip() for i in fs.readlines()]
    return result

def fetch(url):
    print(url)

def run():
    max_count = 5
    url_list = read_file()
    for index in range(0, len(url_list), max_count):
        start = time.time()
        fetch(url_list[index:index + max_count])
        end = time.time() - start
        if end < 1:
            time.sleep(1 - end)


if __name__ == '__main__':
    run()

关键代码都在for循环里，首先我们通过声明range的第三个参数，该参数指定迭代的步长为5,这样每次index增加都是以5为基数，即0，5，10。。。
然后我们对url_list做切片，每次取其五个元素，这五个元素会随着index的增加不断的在改变，如果最后不够五个了，按照切片的特性这个时候就会有多少取多少了，不会造成索引超下标的问题。

随着url列表的增加，我们会发现内存的占用也在提高了。这个时候我们就需要对代码进行修改了，我们知道生成器是比较节省内存的空间的，修改之后代码变成，下面的这样。

生成器切分

# -*- coding: utf-8 -*-
# @时间 : 2019-11-23 23:47
# @作者 : 陈祥安
# @文件名 : g.py
# @公众号: Python学习开发
import os
import time
from itertools import islice

CURRENT_DIR = os.path.dirname(os.path.abspath(__file__))


def read_file():
    file_path = os.path.join(CURRENT_DIR, "url_list.txt")
    with open(file_path, "r", encoding="utf-8") as fs:
        for i in fs:
            yield i.strip()


def fetch(url):
    print(url)


def run():
    max_count = 5
    url_gen = read_file()
    while True:
        url_list = list(islice(url_gen, 0, max_count))
        if not url_list:
            break
        start = time.time()
        fetch(url_list)
        end = time.time() - start
        if end < 1:
            time.sleep(1 - end)


if __name__ == '__main__':
    run()

首先，我们修改了文件读取的方式，把原来读列表的形式，改为了生成器的形式。这样我们在调用该文件读取方法的时候大大节省了内存。

然后就是对上面for循环进行改造，因为生成器的特性，这里不适合使用for进行迭代，因为每一次的迭代都会消耗生成器的元素，通过使用itertools的islice对url_gen进行切分,islice是生成器的切片,这里我们每次切分出含有5个元素的生成器，因为生成器没有__len__方法所以，我们将其转为列表，然后判断列表是否为空，就可以知道迭代是否该结束了。

修改之后的代码，不管是性能还是节省内存上都大大的提高。读取千万级的文件不是问题。
除此之外，在使用异步爬虫的时候，也许会用到异步生成器切片。下面就和大家讨论，异步生成器切分的问题

异步生成器切分

首先先来看一个简单的异步生成器。
我们知道调用下面的代码会得到一个生成器

def foo():
    for i in range(20):
        yield i

如果在def前面加一个async，那么在调用的时候它就是个异步生成器了。
完整示例代码如下

import asyncio
async def foo():
    for i in range(20):
        yield i


async def run():
    async_gen = foo()
    async for i in async_gen:
        print(i)


if __name__ == '__main__':
    asyncio.run(run())

关于async for的切分有点复杂，这里推荐使用aiostream模块，使用之后代码改为下面这样

import asyncio
from aiostream import stream

async def foo():
    for i in range(22):
        yield i


async def run():
    index = 0
    limit = 5

    while True:
       #测试发现foo应该是个callable类型，并且运行之后是个async_generator。
        xs = stream.iterate(foo())
        ys = xs[index:index + limit]
        t = await stream.list(ys)
        if not t:
            break
        print(t)
        index += limit
        await asyncio.sleep(0.01)


if __name__ == '__main__':
    asyncio.run(run())