python 基于aiohttp的异步爬虫实战

钢铁知识库，一个学习python爬虫、数据分析的知识库。人生苦短，快用python。
之前我们使用requests库爬取某个站点的时候，每发出一个请求，程序必须等待网站返回响应才能接着运行，而在整个爬虫过程中，整个爬虫程序是一直在等待的，实际上没有做任何事情。
像这种占用磁盘/内存IO、网络IO的任务，大部分时间是CPU在等待的操作，就叫IO密集型任务。对于这种情况有没有优化方案呢，当然有，那就是使用aiohttp库实现异步爬虫。
aiohttp是什么

我们在使用requests请求时，只能等一个请求先出去再回来，才会发送下一个请求。明显效率不高阿，这时候如果换成异步请求的方式，就不会有这个等待。一个请求发出去，不管这个请求什么时间响应，程序通过await挂起协程对象后直接进行下一个请求。
解决方法就是通过 aiohttp + asyncio，什么是aiohttp？一个基于 asyncio 的异步 HTTP 网络模块，可用于实现异步爬虫，速度明显快于 requests 的同步爬虫。
requests和aiohttp区别

区别就是一个同步一个是异步。话不多说直接上代码看效果。
安装aiohttp

1. pip install aiohttp

复制代码

• requests同步示例：
  

1. #!/usr/bin/env python
2. # -*- coding: utf-8 -*-
3. # author: 钢铁知识库
4. import time
5. import requests
7. # 同步请求
8. def main():
9.     start = time.time()
10.     for i in range(5):
11.         res = requests.get('http://httpbin.org/delay/2')
12.         print(f'当前时间：{datetime.datetime.now()}, status_code = {res.status_code}')
13.     print(f'requests同步耗时：{time.time() - start}')
14.    
15. if __name__ == '__main__':
16.     main()
18. '''
19. 当前时间：2022-09-05 15:44:51.991685, status_code = 200
20. 当前时间：2022-09-05 15:44:54.528918, status_code = 200
21. 当前时间：2022-09-05 15:44:57.057373, status_code = 200
22. 当前时间：2022-09-05 15:44:59.643119, status_code = 200
23. 当前时间：2022-09-05 15:45:02.167362, status_code = 200
24. requests同步耗时：12.785893440246582
25. '''

复制代码

可以看到5次请求总共用12.7秒，再来看同样的请求异步多少时间。

• aiohttp异步示例：
  

1. #!/usr/bin/env python
2. # file: day6-9同步和异步.py
3. # author: 钢铁知识库
4. import asyncio
5. import time
6. import aiohttp
8. async def async_http():
9.     # 声明一个支持异步的上下文管理器
10.     async with aiohttp.ClientSession() as session:
11.         res = await session.get('http://httpbin.org/delay/2')
12.         print(f'当前时间：{datetime.datetime.now()}, status_code = {res.status}')
14. tasks = [async_http() for _ in range(5)]
15. start = time.time()
16. # Python 3.7 及以后,不需要显式声明事件循环,可以使用 asyncio.run()来代替最后的启动操作
17. asyncio.run(asyncio.wait(tasks))
18. print(f'aiohttp异步耗时：{time.time() - start}')
20. '''
21. 当前时间：2022-09-05 15:42:32.363966, status_code = 200
22. 当前时间：2022-09-05 15:42:32.366957, status_code = 200
23. 当前时间：2022-09-05 15:42:32.374973, status_code = 200
24. 当前时间：2022-09-05 15:42:32.384909, status_code = 200
25. 当前时间：2022-09-05 15:42:32.390318, status_code = 200
26. aiohttp异步耗时：2.5826876163482666
27. '''

复制代码

两次对比可以看到执行过程，时间一个是顺序执行，一个是同时执行。这就是同步和异步的区别。
aiohttp使用介绍

接下来我们会详细介绍aiohttp库的用法和爬取实战。aiohttp 是一个支持异步请求的库，它和 asyncio 配合使用，可以使我们非常方便地实现异步请求操作。asyncio模块，其内部实现了对TCP、UDP、SSL协议的异步操作，但是对于HTTP请求，就需要aiohttp实现了。
aiohttp分为两部分，一部分是Client，一部分是Server。下面来说说aiohttp客户端部分的用法。
基本实例

先写一个简单的案例

1. #!/usr/bin/env python
2. # -*- coding: utf-8 -*-
3. # @Author  : 钢铁知识库
4. import asyncio
5. import aiohttp
7. async def get_api(session, url):
8.     # 声明一个支持异步的上下文管理器
9.     async with session.get(url) as response:
10.         return await response.text(), response.status
12. async def main():
13.     async with aiohttp.ClientSession() as session:
14.         html, status = await get_api(session, 'http://httpbin.org/delay/2')
15.         print(f'html: {html[:50]}')
16.         print(f'status : {status}')
18. if __name__ == '__main__':
19.     #  Python 3.7 及以后,不需要显式声明事件循环,可以使用 asyncio.run(main())来代替最后的启动操作
20.     asyncio.get_event_loop().run_until_complete(main())
21. '''
22. html: {
23.   "args": {},
24.   "data": "",
25.   "files": {},
26.   
27. status : 200
29. Process finished with exit code 0
30. '''

复制代码

aiohttp请求的方法和之前有明显区别，主要包括如下几点：

• 除了导入aiohttp库，还必须引入asyncio库，因为要实现异步，需要启动协程。
  
• 异步的方法定义不同，前面都要统一加async来修饰。
  
• with as用于声明上下文管理器，帮我们自动分配和释放资源，加上async代码支持异步。
  
• 对于返回协程对象的操作，前面需要加await来修饰。response.text()返回的是协程对象。
  
• 最后运行启用循环事件
  

注意：Python3.7及以后的版本中，可以使用asyncio.run(main())代替最后的启动操作。
URL参数设置

对于URL参数的设置，我们可以借助params设置，传入一个字典即可，实例如下：

1. #!/usr/bin/env python
2. # -*- coding: utf-8 -*-
3. # @Author  : 钢铁知识库
4. import aiohttp
5. import asyncio
7. async def main():
8.     params = {'name': '钢铁知识库', 'age': 23}
9.     async with aiohttp.ClientSession() as session:
10.         async with session.get('https://www.httpbin.org/get', params=params) as res:
11.             print(await res.json())
13. if __name__ == '__main__':
14.     asyncio.get_event_loop().run_until_complete(main())
15. '''
16. {'args': {'age': '23', 'name': '钢铁知识库'}, '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=钢铁知识库&age=23'}
17. '''

复制代码

可以看到实际请求的URL后面带了后缀，这就是params的内容。
请求类型

除了get请求，aiohttp还支持其它请求类型，如POST、PUT、DELETE等，和requests使用方式类似。

1. session.post('http://httpbin.org/post', data=b'data')
2. session.put('http://httpbin.org/put', data=b'data')
3. session.delete('http://httpbin.org/delete')
4. session.head('http://httpbin.org/get')
5. session.options('http://httpbin.org/get')
6. session.patch('http://httpbin.org/patch', data=b'data')

复制代码

要使用这些方法，只需要把对应的方法和参数替换一下。用法和get类似就不再举例。
响应的几个方法

对于响应来说，我们可以用如下方法分别获取其中的响应情况。状态码、响应头、响应体、响应体二进制内容、响应体JSON结果，实例如下：

1. #!/usr/bin/env python
2. # @Author  : 钢铁知识库
3. import aiohttp
4. import asyncio
6. async def main():
7.     data = {'name': '钢铁知识库', 'age': 23}
8.     async with aiohttp.ClientSession() as session:
9.         async with session.post('https://www.httpbin.org/post', data=data) as response:
10.             print('status:', response.status)  # 状态码
11.             print('headers:', response.headers)  # 响应头
12.             print('body:', await response.text())  # 响应体
13.             print('bytes:', await response.read())  # 响应体二进制内容
14.             print('json:', await response.json())  # 响应体json数据
16. if __name__ == '__main__':
17.     asyncio.get_event_loop().run_until_complete(main())

复制代码

1. '''
2. status: 200
3. headers: <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')>
4. body: {
5.   "args": {},
6.   "data": "",
7.   "files": {},
8.   "form": {
9.     "age": "23",
10.     "name": "\u94a2\u94c1\u77e5\u8bc6\u5e93"
11.   },
12.   "headers": {
13.     "Accept": "*/*",
14.     "Accept-Encoding": "gzip, deflate",
15.     "Content-Length": "57",
16.     "Content-Type": "application/x-www-form-urlencoded",
17.     "Host": "www.httpbin.org",
18.     "User-Agent": "Python/3.8 aiohttp/3.8.1",
19.     "X-Amzn-Trace-Id": "Root=1-631691dc-6aa1b2b85045a1a0481d06e1"
20.   },
21.   "json": null,
22.   "origin": "122.55.11.188",
23.   "url": "https://www.httpbin.org/post"
24. }
26. 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'
27. json: {'args': {}, 'data': '', 'files': {}, 'form': {'age': '23', 'name': '钢铁知识库'}, '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'}
28. '''

复制代码

可以看到有些字段前面需要加await，因为其返回的是一个协程对象(如async修饰的方法)，那么前面就要加await。
超时设置

我们可以借助ClientTimeout对象设置超时，例如要设置1秒的超时时间，可以这么实现：

1. #!/usr/bin/env python
2. # @Author  : 钢铁知识库
3. import aiohttp
4. import asyncio
6. async def main():
7.     # 设置 1 秒的超时
8.     timeout = aiohttp.ClientTimeout(total=1)
9.     data = {'name': '钢铁知识库', 'age': 23}
10.     async with aiohttp.ClientSession(timeout=timeout) as session:
11.         async with session.get('https://www.httpbin.org/delay/2', data=data) as response:
12.             print('status:', response.status)  # 状态码
14. if __name__ == '__main__':
15.     asyncio.get_event_loop().run_until_complete(main())
16. '''
17. Traceback (most recent call last):
18. ####中间省略####
19.     raise asyncio.TimeoutError from None
20. asyncio.exceptions.TimeoutError
21. '''

复制代码

这里设置了超时1秒请求延时2秒，发现抛出异常asyncio.TimeoutError，如果正常则响应200。
并发限制

aiohttp可以支持非常高的并发量，但面对高并发网站可能会承受不住，随时有挂掉的危险，这时需要对并发进行一些控制。现在我们借助asyncio 的Semaphore来控制并发量，实例如下：

1. #!/usr/bin/env python
2. # -*- coding: utf-8 -*-
3. # @Author  : 钢铁知识库
4. import asyncio
5. from datetime import datetime
6. import aiohttp
8. # 声明最大并发量
9. semaphore = asyncio.Semaphore(2)
11. async def get_api():
12.     async with semaphore:
13.         print(f'scrapting...{datetime.now()}')
14.         async with session.get('https://www.baidu.com') as response:
15.             await asyncio.sleep(2)
16.             # print(f'当前时间：{datetime.now()}, {response.status}')
18. async def main():
19.     global session
20.     session = aiohttp.ClientSession()
21.     tasks = [asyncio.ensure_future(get_api()) for _ in range(1000)]
22.     await asyncio.gather(*tasks)
23.     await session.close()
25. if __name__ == '__main__':
26.     asyncio.get_event_loop().run_until_complete(main())
27. '''
28. scrapting...2022-09-07 08:11:14.190000
29. scrapting...2022-09-07 08:11:14.292000
30. scrapting...2022-09-07 08:11:16.482000
31. scrapting...2022-09-07 08:11:16.504000
32. scrapting...2022-09-07 08:11:18.520000
33. scrapting...2022-09-07 08:11:18.521000
34. '''

复制代码

在main方法里，我们声明了1000个task，如果没有通过Semaphore进行并发限制，那这1000放到gather方法后会被同时执行，并发量相当大。有了信号量的控制之后，同时运行的task数量就会被控制，这样就能给aiohttp限制速度了。
aiohttp异步爬取实战

接下来我们通过异步方式练手一个小说爬虫，需求如下：
需求页面：https://dushu.baidu.com/pc/detail?gid=4308080950
目录接口：https://dushu.baidu.com/api/pc/getCatalog?data={"book_id":"4308080950"}
详情接口：https://dushu.baidu.com/api/pc/getChapterContent?data={"book_id":"4295122774","cid":"4295122774|116332"}
关键参数：book_id：小说ID、cid：章节id
采集要求：使用协程方式写入，数据存放进mongo
需求分析：点开需求页面，通过F12抓包可以发现两个接口。一个目录接口，一个详情接口。
首先第一步先请求目录接口拿到cid章节id，然后将cid传递给详情接口拿到小说数据，最后存入mongo即可。
话不多说，直接上代码：

1. #!/usr/bin/env python
2. # -*- coding: utf-8 -*-
3. # @Author  : 钢铁知识库
4. # 不合适就是不合适，真正合适的，你不会有半点犹豫。
5. import asyncio
6. import json,re
7. import logging
8. import aiohttp
9. import requests
10. from utils.conn_db import ConnDb
12. # 日志格式
13. logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s: %(message)s')
15. # 章节目录api
16. b_id = '4308080950'
17. url = 'https://dushu.baidu.com/api/pc/getCatalog?data={"book_id":"'+b_id+'"}'
18. headers = {
19.     "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "
20.                   "Chrome/104.0.0.0 Safari/537.36"
21. }
22. # 并发声明
23. semaphore = asyncio.Semaphore(5)
25. async def download(title,b_id, cid):
26.     data = {
27.         "book_id": b_id,
28.         "cid": f'{b_id}|{cid}',
29.     }
30.     data = json.dumps(data)
31.     detail_url = 'https://dushu.baidu.com/api/pc/getChapterContent?data={}'.format(data)
32.     async with semaphore:
33.         async with aiohttp.ClientSession(headers=headers) as session:
34.             async with session.get(detail_url) as response:
35.                 res = await response.json()
36.                 content = {
37.                     'title': title,
38.                     'content': res['data']['novel']['content']
39.                 }
40.                 # print(title)
41.                 await save_data(content)
43. async def save_data(data):
44.     if data:
45.         client = ConnDb().conn_motor_mongo()
46.         db = client.baidu_novel
47.         collection = db.novel
48.         logging.info('saving data %s', data)
49.         await collection.update_one(
50.             {'title': data.get('title')},
51.             {'$set': data},
52.             upsert=True
53.         )
55. async def main():
56.     res = requests.get(url, headers=headers)
57.     tasks = []
58.     for re in res.json()['data']['novel']['items']:     # 拿到某小说目录cid
59.         title = re['title']
60.         cid = re['cid']
61.         tasks.append(download(title, b_id, cid))    # 将请求放到列表里，再通过gather执行并发
62.     await asyncio.gather(*tasks)
64. if __name__ == '__main__':
65.     asyncio.run(main())

复制代码

至此，我们就使用aiohttp完成了对小说章节的爬取。
要实现异步处理，得先要有挂起操作，当一个任务需要等待 IO 结果的时候，可以挂起当前任务，转而去执行其他任务，这样才能充分利用好资源，要实现异步，需要了解 await 的用法，使用 await 可以将耗时等待的操作挂起，让出控制权。当协程执行的时候遇到 await，时间循环就会将本协程挂起，转而去执行别的协程，直到其他的协程挂起或执行完毕。
await 后面的对象必须是如下格式之一：

• A native coroutine object returned from a native coroutine function，一个原生 coroutine 对象。
  
• A generator-based coroutine object returned from a function decorated with types.coroutine，一个由 types.coroutine 修饰的生成器，这个生成器可以返回 coroutine 对象。
  
• An object with an await method returning an iterator，一个包含 await 方法的对象返回的一个迭代器。
  

---- 20220909 钢铁知识库
总结

以上就是借助协程async和异步aiohttp两个主要模块完成异步爬虫的内容，
aiohttp 以异步方式爬取网站的耗时远小于 requests 同步方式，以上列举的例子希望对你有帮助。
注意，线程和协程是两个概念，后面找机会我们再聊聊进程和线程、线程和协程的关系。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！