python 基於aiohttp的非同步爬蟲實戰詳解

2022-09-12 18:01:17

引言

鋼鐵知識庫，一個學習python爬蟲、資料分析的知識庫。人生苦短，快用python。

之前我們使用requests庫爬取某個站點的時候，每發出一個請求，程式必須等待網站返回響應才能接著執行，而在整個爬蟲過程中，整個爬蟲程式是一直在等待的，實際上沒有做任何事情。

像這種佔用磁碟/記憶體IO、網路IO的任務，大部分時間是CPU在等待的操作，就叫IO密集型任務。對於這種情況有沒有優化方案呢，當然有，那就是使用aiohttp庫實現非同步爬蟲。

aiohttp是什麼

我們在使用requests請求時，只能等一個請求先出去再回來，才會傳送下一個請求。明顯效率不高阿，這時候如果換成非同步請求的方式，就不會有這個等待。一個請求發出去，不管這個請求什麼時間響應，程式通過await掛起協程物件後直接進行下一個請求。

解決方法就是通過 aiohttp + asyncio，什麼是aiohttp？一個基於 asyncio 的非同步 HTTP 網路模組，可用於實現非同步爬蟲，速度明顯快於 requests 的同步爬蟲。

requests和aiohttp區別

區別就是一個同步一個是非同步。話不多說直接上程式碼看效果。

安裝aiohttp

pip install aiohttp

requests同步範例：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# author: 鋼鐵知識庫
import time
import requests
# 同步請求
def main():
    start = time.time()
    for i in range(5):
        res = requests.get('http://httpbin.org/delay/2')
        print(f'當前時間：{datetime.datetime.now()}, status_code = {res.status_code}')
    print(f'requests同步耗時：{time.time() - start}')
if __name__ == '__main__':
    main()
'''
當前時間：2022-09-05 15:44:51.991685, status_code = 200
當前時間：2022-09-05 15:44:54.528918, status_code = 200
當前時間：2022-09-05 15:44:57.057373, status_code = 200
當前時間：2022-09-05 15:44:59.643119, status_code = 200
當前時間：2022-09-05 15:45:02.167362, status_code = 200
requests同步耗時：12.785893440246582
'''

可以看到5次請求總共用12.7秒，再來看同樣的請求非同步多少時間。

aiohttp非同步範例：

#!/usr/bin/env python
# file: day6-9同步和非同步.py
# author: 鋼鐵知識庫
import asyncio
import time
import aiohttp
async def async_http():
    # 宣告一個支援非同步的上下文管理器
    async with aiohttp.ClientSession() as session:
        res = await session.get('http://httpbin.org/delay/2')
        print(f'當前時間：{datetime.datetime.now()}, status_code = {res.status}')
tasks = [async_http() for _ in range(5)]
start = time.time()
# Python 3.7 及以後,不需要顯式宣告事件迴圈,可以使用 asyncio.run()來代替最後的啟動操作
asyncio.run(asyncio.wait(tasks))
print(f'aiohttp非同步耗時：{time.time() - start}')
'''
當前時間：2022-09-05 15:42:32.363966, status_code = 200
當前時間：2022-09-05 15:42:32.366957, status_code = 200
當前時間：2022-09-05 15:42:32.374973, status_code = 200
當前時間：2022-09-05 15:42:32.384909, status_code = 200
當前時間：2022-09-05 15:42:32.390318, status_code = 200
aiohttp非同步耗時：2.5826876163482666
'''

兩次對比可以看到執行過程，時間一個是順序執行，一個是同時執行。這就是同步和非同步的區別。

aiohttp使用介紹

接下來我們會詳細介紹aiohttp庫的用法和爬取實戰。aiohttp 是一個支援非同步請求的庫，它和 asyncio 配合使用，可以使我們非常方便地實現非同步請求操作。asyncio模組，其內部實現了對TCP、UDP、SSL協定的非同步操作，但是對於HTTP請求，就需要aiohttp實現了。

aiohttp分為兩部分，一部分是Client，一部分是Server。下面來說說aiohttp使用者端部分的用法。

基本範例

先寫一個簡單的案例

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author  : 鋼鐵知識庫
import asyncio
import aiohttp
async def get_api(session, url):
    # 宣告一個支援非同步的上下文管理器
    async with session.get(url) as response:
        return await response.text(), response.status
async def main():
    async with aiohttp.ClientSession() as session:
        html, status = await get_api(session, 'http://httpbin.org/delay/2')
        print(f'html: {html[:50]}')
        print(f'status : {status}')
if __name__ == '__main__':
    #  Python 3.7 及以後,不需要顯式宣告事件迴圈,可以使用 asyncio.run(main())來代替最後的啟動操作
    asyncio.get_event_loop().run_until_complete(main())
'''
html: {
  "args": {}, 
  "data": "", 
  "files": {}, 
status : 200
Process finished with exit code 0
'''

aiohttp請求的方法和之前有明顯區別，主要包括如下幾點：

除了匯入aiohttp庫，還必須引入asyncio庫，因為要實現非同步，需要啟動協程。
非同步的方法定義不同，前面都要統一加async來修飾。
with as用於宣告上下文管理器，幫我們自動分配和釋放資源，加上async程式碼支援非同步。
對於返回協程物件的操作，前面需要加await來修飾。response.text()返回的是協程物件。
最後執行啟用迴圈事件

注意：Python3.7及以後的版本中，可以使用asyncio.run(main())代替最後的啟動操作。

URL引數設定

對於URL引數的設定，我們可以藉助params設定，傳入一個字典即可，範例如下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author  : 鋼鐵知識庫
import aiohttp
import asyncio
async def main():
    params = {'name': '鋼鐵知識庫', 'age': 23}
    async with aiohttp.ClientSession() as session:
        async with session.get('https://www.httpbin.org/get', params=params) as res:
            print(await res.json())
if __name__ == '__main__':
    asyncio.get_event_loop().run_until_complete(main())
'''
{'args': {'age': '23', 'name': '鋼鐵知識庫'}, 'headers': {'Accept': '*/*', 'Accept-Encoding': 'gzip, deflate', 'Host': 'www.httpbin.org', 'User-Agent': 'Python/3.8 aiohttp/3.8.1', 'X-Amzn-Trace-Id': 'Root=1-63162e34-1acf7bde7a6d801368494c72'}, 'origin': '122.55.11.188', 'url': 'https://www.httpbin.org/get?name=鋼鐵知識庫&amp;age=23'}
'''

可以看到實際請求的URL後面帶了字尾，這就是params的內容。

請求型別

除了get請求，aiohttp還支援其它請求型別，如POST、PUT、DELETE等，和requests使用方式類似。

session.post('http://httpbin.org/post', data=b'data')
session.put('http://httpbin.org/put', data=b'data')
session.delete('http://httpbin.org/delete')
session.head('http://httpbin.org/get')
session.options('http://httpbin.org/get')
session.patch('http://httpbin.org/patch', data=b'data')

要使用這些方法，只需要把對應的方法和引數替換一下。用法和get類似就不再舉例。

響應的幾個方法

對於響應來說，我們可以用如下方法分別獲取其中的響應情況。狀態碼、響應頭、響應體、響應體二進位制內容、響應體JSON結果，範例如下：

#!/usr/bin/env python
# @Author  : 鋼鐵知識庫
import aiohttp
import asyncio
async def main():
    data = {'name': '鋼鐵知識庫', 'age': 23}
    async with aiohttp.ClientSession() as session:
        async with session.post('https://www.httpbin.org/post', data=data) as response:
            print('status:', response.status)  # 狀態碼
            print('headers:', response.headers)  # 響應頭
            print('body:', await response.text())  # 響應體
            print('bytes:', await response.read())  # 響應體二進位制內容
            print('json:', await response.json())  # 響應體json資料
if __name__ == '__main__':
    asyncio.get_event_loop().run_until_complete(main())

'''
status: 200
headers: &lt;CIMultiDictProxy('Date': 'Tue, 06 Sep 2022 00:18:36 GMT', 'Content-Type': 'application/json', 'Content-Length': '534', 'Connection': 'keep-alive', 'Server': 'gunicorn/19.9.0', 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Credentials': 'true')&gt;
body: {
  "args": {}, 
  "data": "", 
  "files": {}, 
  "form": {
    "age": "23", 
    "name": "u94a2u94c1u77e5u8bc6u5e93"
  }, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Content-Length": "57", 
    "Content-Type": "application/x-www-form-urlencoded", 
    "Host": "www.httpbin.org", 
    "User-Agent": "Python/3.8 aiohttp/3.8.1", 
    "X-Amzn-Trace-Id": "Root=1-631691dc-6aa1b2b85045a1a0481d06e1"
  }, 
  "json": null, 
  "origin": "122.55.11.188", 
  "url": "https://www.httpbin.org/post"
}
bytes: b'{n  "args": {}, n  "data": "", n  "files": {}, n  "form": {n    "age": "23", n    "name": "\u94a2\u94c1\u77e5\u8bc6\u5e93"n  }, n  "headers": {n    "Accept": "*/*", n    "Accept-Encoding": "gzip, deflate", n    "Content-Length": "57", n    "Content-Type": "application/x-www-form-urlencoded", n    "Host": "www.httpbin.org", n    "User-Agent": "Python/3.8 aiohttp/3.8.1", n    "X-Amzn-Trace-Id": "Root=1-631691dc-6aa1b2b85045a1a0481d06e1"n  }, n  "json": null, n  "origin": "122.5.132.196", n  "url": "https://www.httpbin.org/post"n}n'
json: {'args': {}, 'data': '', 'files': {}, 'form': {'age': '23', 'name': '鋼鐵知識庫'}, 'headers': {'Accept': '*/*', 'Accept-Encoding': 'gzip, deflate', 'Content-Length': '57', 'Content-Type': 'application/x-www-form-urlencoded', 'Host': 'www.httpbin.org', 'User-Agent': 'Python/3.8 aiohttp/3.8.1', 'X-Amzn-Trace-Id': 'Root=1-631691dc-6aa1b2b85045a1a0481d06e1'}, 'json': None, 'origin': '122.55.11.188', 'url': 'https://www.httpbin.org/post'}
'''

可以看到有些欄位前面需要加await，因為其返回的是一個協程物件(如async修飾的方法)，那麼前面就要加await。

超時設定

我們可以藉助ClientTimeout物件設定超時，例如要設定1秒的超時時間，可以這麼實現：

#!/usr/bin/env python
# @Author  : 鋼鐵知識庫
import aiohttp
import asyncio
async def main():
    # 設定 1 秒的超時 
    timeout = aiohttp.ClientTimeout(total=1)
    data = {'name': '鋼鐵知識庫', 'age': 23}
    async with aiohttp.ClientSession(timeout=timeout) as session:
        async with session.get('https://www.httpbin.org/delay/2', data=data) as response:
            print('status:', response.status)  # 狀態碼
if __name__ == '__main__':
    asyncio.get_event_loop().run_until_complete(main())
'''
Traceback (most recent call last):
####中間省略####
    raise asyncio.TimeoutError from None
asyncio.exceptions.TimeoutError
'''

這裡設定了超時1秒請求延時2秒，發現丟擲異常asyncio.TimeoutError，如果正常則響應200。

並行限制

aiohttp可以支援非常高的並行量，但面對高並行網站可能會承受不住，隨時有掛掉的危險，這時需要對並行進行一些控制。現在我們藉助asyncio 的Semaphore來控制並行量，範例如下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author  : 鋼鐵知識庫
import asyncio
from datetime import datetime
import aiohttp
# 宣告最大並行量
semaphore = asyncio.Semaphore(2)
async def get_api():
    async with semaphore:
        print(f'scrapting...{datetime.now()}')
        async with session.get('https://www.baidu.com') as response:
            await asyncio.sleep(2)
            # print(f'當前時間：{datetime.now()}, {response.status}')
async def main():
    global session
    session = aiohttp.ClientSession()
    tasks = [asyncio.ensure_future(get_api()) for _ in range(1000)]
    await asyncio.gather(*tasks)
    await session.close()
if __name__ == '__main__':
    asyncio.get_event_loop().run_until_complete(main())
'''
scrapting...2022-09-07 08:11:14.190000
scrapting...2022-09-07 08:11:14.292000
scrapting...2022-09-07 08:11:16.482000
scrapting...2022-09-07 08:11:16.504000
scrapting...2022-09-07 08:11:18.520000
scrapting...2022-09-07 08:11:18.521000
'''

在main方法裡，我們宣告了1000個task，如果沒有通過Semaphore進行並行限制，那這1000放到gather方法後會被同時執行，並行量相當大。有了號誌的控制之後，同時執行的task數量就會被控制，這樣就能給aiohttp限制速度了。

aiohttp非同步爬取實戰

接下來我們通過非同步方式練手一個小說爬蟲，需求如下：

需求頁面：https://dushu.baidu.com/pc/detail?gid=4308080950

目錄介面：https://dushu.baidu.com/api/pc/getCatalog?data={"book_id":"4308080950"}

詳情介面：

https://dushu.baidu.com/api/pc/getChapterContent?data={"book_id":"4295122774","cid":"4295122774|116332"}

關鍵引數：book_id：小說ID、cid：章節id

採集要求：使用協程方式寫入，資料存放進mongo

需求分析：點開需求頁面，通過F12抓包可以發現兩個介面。一個目錄介面，一個詳情介面。
首先第一步先請求目錄介面拿到cid章節id，然後將cid傳遞給詳情介面拿到小說資料，最後存入mongo即可。

話不多說，直接上程式碼：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author  : 鋼鐵知識庫
# 不合適就是不合適，真正合適的，你不會有半點猶豫。
import asyncio
import json,re
import logging
import aiohttp
import requests
from utils.conn_db import ConnDb
# 紀錄檔格式
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s: %(message)s')
# 章節目錄api
b_id = '4308080950'
url = 'https://dushu.baidu.com/api/pc/getCatalog?data={"book_id":"'+b_id+'"}'
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "
                  "Chrome/104.0.0.0 Safari/537.36"
}
# 並行宣告
semaphore = asyncio.Semaphore(5)
async def download(title,b_id, cid):
    data = {
        "book_id": b_id,
        "cid": f'{b_id}|{cid}',
    }
    data = json.dumps(data)
    detail_url = 'https://dushu.baidu.com/api/pc/getChapterContent?data={}'.format(data)
    async with semaphore:
        async with aiohttp.ClientSession(headers=headers) as session:
            async with session.get(detail_url) as response:
                res = await response.json()
                content = {
                    'title': title,
                    'content': res['data']['novel']['content']
                }
                # print(title)
                await save_data(content)
async def save_data(data):
    if data:
        client = ConnDb().conn_motor_mongo()
        db = client.baidu_novel
        collection = db.novel
        logging.info('saving data %s', data)
        await collection.update_one(
            {'title': data.get('title')},
            {'$set': data},
            upsert=True
        )
async def main():
    res = requests.get(url, headers=headers)
    tasks = []
    for re in res.json()['data']['novel']['items']:     # 拿到某小說目錄cid
        title = re['title']
        cid = re['cid']
        tasks.append(download(title, b_id, cid))    # 將請求放到列表裡，再通過gather執行並行
    await asyncio.gather(*tasks)
if __name__ == '__main__':
    asyncio.run(main())

至此，我們就使用aiohttp完成了對小說章節的爬取。

要實現非同步處理，得先要有掛起操作，當一個任務需要等待 IO 結果的時候，可以掛起當前任務，轉而去執行其他任務，這樣才能充分利用好資源，要實現非同步，需要了解 await 的用法，使用 await 可以將耗時等待的操作掛起，讓出控制權。當協程執行的時候遇到 await，時間迴圈就會將本協程掛起，轉而去執行別的協程，直到其他的協程掛起或執行完畢。

await 後面的物件必須是如下格式之一：

A native coroutine object returned from a native coroutine function，一個原生 coroutine 物件。
A generator-based coroutine object returned from a function decorated with types.coroutine，一個由 types.coroutine 修飾的生成器，這個生成器可以返回 coroutine 物件。
An object with an await method returning an iterator，一個包含 await 方法的物件返回的一個迭代器。