Python爬蟲的并發編程如何應用

這篇文章主要講解了“Python爬蟲的并發編程如何應用”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“Python爬蟲的并發編程如何應用”吧！

什么是并發編程

并發編程是指在一個時間段內，能夠執行多個操作的程序設計，通常表現為程序中有多個任務同時啟動，可以運行并且相互之間不會產生影響。并發編程的好處是可以提高程序的性能和響應能力。

并發編程在爬蟲中的應用

爬蟲程序是典型的 I/O 密集型任務，對于 I/O 密集型任務來說，多線程和異步 I/O 都是很好的選擇，因為當程序的某個部分因 I/O 操作阻塞時，程序的其他部分仍然可以運轉，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 數據，并通過open函數將圖片保存到本地。

"""
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 系統上，我們可以使用time命令來了解上面代碼的執行時間以及 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行的結果。

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

這里我們只需要關注代碼的總耗時為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，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()

執行如下所示的命令。

time python3 example05.py

代碼的執行結果如下所示：

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 的方式實現網絡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())

執行如下所示的命令。

time python3 example06.py

代碼的執行結果如下所示：

python3 example06.py  0.92s user 0.27s system 290% cpu 0.420 total

相對于單線程版本的爬蟲程序，多線程版本和異步 I/O 版本的爬蟲程序在執行上的時間上有了顯著的提升，而且異步 I/O 版本的爬蟲程序表現最佳。

感謝各位的閱讀，以上就是“Python爬蟲的并發編程如何應用”的內容了，經過本文的學習后，相信大家對Python爬蟲的并發編程如何應用這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！