Python中利用aiohttp制作異步爬蟲及簡單應用

更新時間：2018年11月29日 16:30:24 作者：技術小能手

asyncio可以實現(xiàn)單線程并發(fā)IO操作，是Python中常用的異步處理模塊。這篇文章主要介紹了Python中利用aiohttp制作異步爬蟲的相關知識,需要的朋友可以參考下

摘要：簡介 asyncio可以實現(xiàn)單線程并發(fā)IO操作，是Python中常用的異步處理模塊。關于asyncio模塊的介紹，筆者會在后續(xù)的文章中加以介紹，本文將會講述一個基于asyncio實現(xiàn)的HTTP框架——aiohttp，它可以幫助我們異步地實現(xiàn)HTTP請求，從而使得我們的程序效率大大提高。

簡介

asyncio可以實現(xiàn)單線程并發(fā)IO操作，是Python中常用的異步處理模塊。關于asyncio模塊的介紹，筆者會在后續(xù)的文章中加以介紹，本文將會講述一個基于asyncio實現(xiàn)的HTTP框架——aiohttp，它可以幫助我們異步地實現(xiàn)HTTP請求，從而使得我們的程序效率大大提高。

本文將會介紹aiohttp在爬蟲中的一個簡單應用。

在原來的項目中，我們是利用Python的爬蟲框架scrapy來爬取當當網(wǎng)圖書暢銷榜的圖書信息的。在本文中，筆者將會以兩種方式來制作爬蟲，比較同步爬蟲與異步爬蟲(利用aiohttp實現(xiàn))的效率，展示aiohttp在爬蟲方面的優(yōu)勢。

同步爬蟲

首先，我們先來看看用一般的方法實現(xiàn)的爬蟲，即同步方法，完整的Python代碼如下：

'''
同步方式爬取當當暢銷書的圖書信息
'''
import time
import requests
import pandas as pd
from bs4 import BeautifulSoup
# table表格用于儲存書本信息
table = []
# 處理網(wǎng)頁
def download(url):
html = requests.get(url).text
# 利用BeautifulSoup將獲取到的文本解析成HTML
soup = BeautifulSoup(html, "lxml")
# 獲取網(wǎng)頁中的暢銷書信息
book_list = soup.find('ul', class_="bang_list clearfix bang_list_mode")('li')
for book in book_list:
info = book.find_all('div')
# 獲取每本暢銷書的排名，名稱，評論數(shù)，作者，出版社
rank = info[0].text[0:-1]
name = info[2].text
comments = info[3].text.split('條')[0]
author = info[4].text
date_and_publisher = info[5].text.split()
publisher = date_and_publisher[1] if len(date_and_publisher) >= 2 else ''
# 將每本暢銷書的上述信息加入到table中
table.append([rank, name, comments, author, publisher])
# 全部網(wǎng)頁
urls = ['http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-recent7-0-0-1-%d' % i for i in range(1, 26)]
# 統(tǒng)計該爬蟲的消耗時間
print('#' * 50)
t1 = time.time() # 開始時間
for url in urls:
download(url)
# 將table轉化為pandas中的DataFrame并保存為CSV格式的文件
df = pd.DataFrame(table, columns=['rank', 'name', 'comments', 'author', 'publisher'])
df.to_csv('E://douban/dangdang.csv', index=False)
t2 = time.time() # 結束時間
print('使用一般方法，總共耗時：%s' % (t2 - t1))
print('#' * 50)

輸出結果如下：

##################################################
使用一般方法，總共耗時：23.522345542907715
##################################################

程序運行了23.5秒，爬取了500本書的信息，效率還是可以的。我們前往目錄中查看文件，如下：

異步爬蟲

接下來我們看看用aiohttp制作的異步爬蟲的效率，完整的源代碼如下：

'''
異步方式爬取當當暢銷書的圖書信息
'''
import time
import aiohttp
import asyncio
import pandas as pd
from bs4 import BeautifulSoup
# table表格用于儲存書本信息
table = []
# 獲取網(wǎng)頁（文本信息）
async def fetch(session, url):
async with session.get(url) as response:
return await response.text(encoding='gb18030')
# 解析網(wǎng)頁
async def parser(html):
# 利用BeautifulSoup將獲取到的文本解析成HTML
soup = BeautifulSoup(html, "lxml")
# 獲取網(wǎng)頁中的暢銷書信息
book_list = soup.find('ul', class_="bang_list clearfix bang_list_mode")('li')
for book in book_list:
info = book.find_all('div')
# 獲取每本暢銷書的排名，名稱，評論數(shù)，作者，出版社
rank = info[0].text[0:-1]
name = info[2].text
comments = info[3].text.split('條')[0]
author = info[4].text
date_and_publisher = info[5].text.split()
publisher = date_and_publisher[1] if len(date_and_publisher) >=2 else ''
# 將每本暢銷書的上述信息加入到table中
table.append([rank,name,comments,author,publisher])
# 處理網(wǎng)頁
async def download(url):
async with aiohttp.ClientSession() as session:
html = await fetch(session, url)
await parser(html)
# 全部網(wǎng)頁
urls = ['http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-recent7-0-0-1-%d'%i for i in range(1,26)]
# 統(tǒng)計該爬蟲的消耗時間
print('#' * 50)
t1 = time.time() # 開始時間
# 利用asyncio模塊進行異步IO處理
loop = asyncio.get_event_loop()
tasks = [asyncio.ensure_future(download(url)) for url in urls]
tasks = asyncio.gather(*tasks)
loop.run_until_complete(tasks)
# 將table轉化為pandas中的DataFrame并保存為CSV格式的文件
df = pd.DataFrame(table, columns=['rank','name','comments','author','publisher'])
df.to_csv('E://douban/dangdang.csv',index=False)
t2 = time.time() # 結束時間
print('使用aiohttp，總共耗時：%s' % (t2 - t1))
print('#' * 50)

我們可以看到，這個爬蟲與原先的一般方法的爬蟲的思路和處理方法基本一致，只是在處理HTTP請求時使用了aiohttp模塊以及在解析網(wǎng)頁時函數(shù)變成了協(xié)程(coroutine)，再利用aysncio進行并發(fā)處理，這樣無疑能夠提升爬蟲的效率。它的運行結果如下：