高性能爬虫方案:
多进程
多线程
利用“异步非阻塞”模块实现单线程并发请求。
本质
1 sk = socket() 2 # 阻塞 3 sk.connect((‘www.cnblogs.com‘,80)) 4 5 sk.sendall(b"GET /wupeiqi http1.1\r\n.....\r\n\r\n") 6 sk.sendall(b"POST /wupeiqi http1.1\r\n.....\r\n\r\nuser=alex&pwd=123") 7 8 # 阻塞 9 data = sk.recv(8096) 10 11 sk.close()
IO多路复用:
监听多个socket是否发生变化
IO多路复用的作用:
1.select,内部循环检测socket是否发生变化;最多只能检测1024个socket
2.poll,内部循环检测socket是否发生变化;检测socket数不限
3.epoll,通过回调的方式检测socket是否发生变化;检测socket数不限
什么是异步非阻塞?
非阻塞:
不等待(可能会报错,捕捉异常)
代码:
sk = socket.socket()
sk.setblocking(False)
异步:
回调,当达到某个指定的状态之后,自动调用特定函数。
如何自定义异步非阻塞模块?
本质:socket+IO多路复用
基于socket设置setblocking和IO多路复用来实现。
爬虫发送Http请求本质创建socket对象;
IO多路复用"循环"监听socket是否发生变化,一旦发生变化, 我们可以自定义操作(触发某个函数的执行)
什么是协程?
1. 是“微线程”,不存在;是由程序员人为创造出来并控制程序:先执行某段代码、再跳到某处执行某段代码。
2.如果遇到非IO请求来回切换:性能更低。
3. 如果遇到IO(耗时)请求来回切换:性能高、实现并发(本质上利用IO等待的过程,再去干一些其他的事)
通过yield实现一个协程:
def func1(): print(‘adsfasdf‘) print(‘adsfasdf‘) print(‘adsfasdf‘) yield 1 print(‘adsfasdf‘) print(‘adsfasdf‘) print(‘adsfasdf‘) yield 2 yield 3 yield 4 def func2(): print(‘adsfasdf‘) print(‘adsfasdf‘) print(‘adsfasdf‘) yield 11 yield 12 yield 19 g1=func1() g2=func2() g1.send(None) g1.send(None) g2.send(None)
通过greenlet模块实现一个协程:
from greenlet import greenlet def test1(): print 12 gr2.switch() print 34 gr2.switch() def test2(): print 56 gr1.switch() print 78 gr1 = greenlet(test1) gr2 = greenlet(test2) gr1.switch()
Python内置以及第三方模块提供异步IO请求模块,使用简便大大提高效率,而对于异步IO请求的本质则是【非阻塞Socket】+【IO多路复用】:
常用的3种:
import asyncio import requests @asyncio.coroutine def fetch_async(func, *args): loop = asyncio.get_event_loop() future = loop.run_in_executor(None, func, *args) response = yield from future print(response.url, response.content) tasks = [ fetch_async(requests.get, ‘http://www.cnblogs.com/wupeiqi/‘), fetch_async(requests.get, ‘http://dig.chouti.com/pic/show?nid=4073644713430508&lid=10273091‘) ] loop = asyncio.get_event_loop() results = loop.run_until_complete(asyncio.gather(*tasks)) loop.close()
asyncio+requests
import gevent import requests from gevent import monkey monkey.patch_all() def fetch_async(method, url, req_kwargs): print(method, url, req_kwargs) response = requests.request(method=method, url=url, **req_kwargs) print(response.url, response.content) # ##### 发送请求 ##### gevent.joinall([ gevent.spawn(fetch_async, method=‘get‘, url=‘https://www.python.org/‘, req_kwargs={}), gevent.spawn(fetch_async, method=‘get‘, url=‘https://www.yahoo.com/‘, req_kwargs={}), gevent.spawn(fetch_async, method=‘get‘, url=‘https://github.com/‘, req_kwargs={}), ]) # ##### 发送请求(协程池控制最大协程数量) ##### # from gevent.pool import Pool # pool = Pool(None) # gevent.joinall([ # pool.spawn(fetch_async, method=‘get‘, url=‘https://www.python.org/‘, req_kwargs={}), # pool.spawn(fetch_async, method=‘get‘, url=‘https://www.yahoo.com/‘, req_kwargs={}), # pool.spawn(fetch_async, method=‘get‘, url=‘https://www.github.com/‘, req_kwargs={}), # ]) 4.gevent + requests
gevent+requests
from twisted.web.client import getPage, defer from twisted.internet import reactor def all_done(arg): reactor.stop() def callback(contents): print(contents) d_list = [] url_list = [‘http://www.bing.com‘, ‘http://www.baidu.com‘, ] for url in url_list: d = getPage(bytes(url, encoding=‘utf8‘)) d.addCallback(callback) d_list.append(d) # 用于检查是否页面已经全部下载完成,如果已下载完成那么,就停止循环。 dlist = defer.DeferredList(d_list) dlist.addBoth(all_done) # reactor.run()
Twisted示例
原文地址:https://www.cnblogs.com/aberwang/p/9301746.html