利用aiohttp制作异步爬虫

 简介

asyncio可以实现单线程并发IO操作，是Python中常用的异步处理模块。关于asyncio模块的介绍，笔者会在后续的文章中加以介绍，本文将会讲述一个基于asyncio实现的HTTP框架——aiohttp，它可以帮助我们异步地实现HTTP请求，从而使得我们的程序效率大大提高。

本文将会介绍aiohttp在爬虫中的一个简单应用。

在原来的项目中，我们是利用Python的爬虫框架scrapy来爬取当当网图书畅销榜的图书信息的。在本文中，笔者将会以两种方式来制作爬虫，比较同步爬虫与异步爬虫(利用aiohttp实现)的效率，展示aiohttp在爬虫方面的优势。

同步爬虫

首先，我们先来看看用一般的方法实现的爬虫，即同步方法，完整的Python代码如下：

'''  




同步方式爬取当当畅销书的图书信息  




'''  




import time  




import requests  




import pandas as pd  




from bs4 import BeautifulSoup  




# table表格用于储存书本信息  




table = []  




# 处理网页  




def download(url):  




    html = requests.get(url).text  




    # 利用BeautifulSoup将获取到的文本解析成HTML  




    soup = BeautifulSoup(html, "lxml")  




    # 获取网页中的畅销书信息  




    book_list = soup.find('ul', class_="bang_list clearfix bang_list_mode")('li')  




    for book in book_list:  




        info = book.find_all('div')  




        # 获取每本畅销书的排名，名称，评论数，作者，出版社  




        rank = info[0].text[0:-1]  




        name = info[2].text  




        comments = info[3].text.split('条')[0]  




        author = info[4].text  




        date_and_publisher = info[5].text.split()  




        publisher = date_and_publisher[1] if len(date_and_publisher) >= 2 else ''  




        # 将每本畅销书的上述信息加入到table中  




        table.append([rank, name, comments, author, publisher])  




# 全部网页  




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)]  




# 统计该爬虫的消耗时间  




print('#' * 50)  




t1 = time.time()  # 开始时间  




for url in urls:  




    download(url)  



# 将table转化为pandas中的DataFrame并保存为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()  # 结束时间  




print('使用一般方法，总共耗时：%s' % (t2 - t1))  



print('#' * 50) 

输出结果如下：

##################################################  




使用一般方法，总共耗时：23.522345542907715  



################################################## 

程序运行了23.5秒，爬取了500本书的信息，效率还是可以的。我们前往目录中查看文件，如下：

异步爬虫

接下来我们看看用aiohttp制作的异步爬虫的效率，完整的源代码如下：

'''  




异步方式爬取当当畅销书的图书信息  




'''  




import time  




import aiohttp  




import asyncio  




import pandas as pd  




from bs4 import BeautifulSoup  




# table表格用于储存书本信息  




table = []  




# 获取网页（文本信息）  




async def fetch(session, url):  




    async with session.get(url) as response:  




        return await response.text(encoding='gb18030')  




# 解析网页  




async def parser(html):  




    # 利用BeautifulSoup将获取到的文本解析成HTML  




    soup = BeautifulSoup(html, "lxml")  




    # 获取网页中的畅销书信息  




    book_list = soup.find('ul', class_="bang_list clearfix bang_list_mode")('li')  




    for book in book_list:  




        info = book.find_all('div')  




        # 获取每本畅销书的排名，名称，评论数，作者，出版社  




        rank = info[0].text[0:-1]  




        name = info[2].text  




        comments = info[3].text.split('条')[0]  




        author = info[4].text  




        date_and_publisher = info[5].text.split()  




        publisher = date_and_publisher[1] if len(date_and_publisher) >=2 else ''  




        # 将每本畅销书的上述信息加入到table中  




        table.append([rank,name,comments,author,publisher])  




# 处理网页      




async def download(url):  




    async with aiohttp.ClientSession() as session:  




        html = await fetch(session, url)  




        await parser(html)  




# 全部网页  




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)]  




# 统计该爬虫的消耗时间  




print('#' * 50)  




t1 = time.time() # 开始时间  




# 利用asyncio模块进行异步IO处理  




loop = asyncio.get_event_loop()  




tasks = [asyncio.ensure_future(download(url)) for url in urls]  




tasks = asyncio.gather(*tasks)  




loop.run_until_complete(tasks)  




# 将table转化为pandas中的DataFrame并保存为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() # 结束时间  




print('使用aiohttp，总共耗时：%s' % (t2 - t1))  



print('#' * 50) 

我们可以看到，这个爬虫与原先的一般方法的爬虫的思路和处理方法基本一致，只是在处理HTTP请求时使用了aiohttp模块以及在解析网页时函数变成了协程(coroutine)，再利用aysncio进行并发处理，这样无疑能够提升爬虫的效率。它的运行结果如下：

##################################################  




使用aiohttp，总共耗时：2.405137538909912  



################################################## 

2.4秒，如此神奇！！！再来看看文件的内容：

总结