Python 非同步網路爬蟲 I

雨神姥爺發表於2016-10-30
Python非同步爬蟲

本文主要討論下面幾個問題：

  • 什麼是非同步（Asynchronous）程式設計？
  • 為什麼要使用非同步程式設計？
  • 在 Python 中有哪些實現非同步程式設計的方法？
  • Python 3.5 如何使用 async/await 實現非同步網路爬蟲？

所謂非同步是相對於同步（Synchronous）的概念來說的，之所以容易造成混亂，是因為剛開始接觸這兩個概念時容易把同步看做是同時，而同時不是意味著並行（Parallel）嗎？然而實際上同步或者非同步是針對於時間軸的概念，同步意味著順序、統一的時間軸，而非同步則意味著亂序、效率優先的時間軸。比如在爬蟲執行時，先抓取 A 頁面，然後從中提取下一層頁面 B 的連結，此時的爬蟲程式的執行只能是同步的，B 頁面只能等到 A 頁面處理完成之後才能抓取；然而對於獨立的兩個頁面 A1 和 A2，在處理 A1 網路請求的時間裡，與其讓 CPU 空閒而 A2 等在後面，不如先處理 A2，等到誰先完成網路請求誰就先來進行處理，這樣可以更加充分地利用 CPU，但是 A1 和 A2 的執行順序則是不確定的，也就是非同步的。

很顯然，在某些情況下采用非同步程式設計可以提高程式執行效率，減少不必要的等待時間，而之所以能夠做到這一點，是因為計算機的 CPU 與其它裝置是獨立運作的，同時 CPU 的執行效率遠高於其他裝置的讀寫（I/O）效率。為了利用非同步程式設計的優勢，人們想出了很多方法來重新安排、排程（Schedule）程式的執行順序，從而最大化 CPU 的使用率，其中包括程式、執行緒、協程等（具體可參考《Python 中的程式、執行緒、協程、同步、非同步、回撥》）。在 Python 3.5 以前通過 @types.coroutine 作為修飾器的方式將一個生成器（Generator）轉化為一個協程，而在 Python 3.5 中則通過關鍵詞 async/await 來定義一個協程，同時也將 asyncio 納入為標準庫，用於實現基於協程的非同步程式設計。

要使用 asyncio 需要理解下面幾個概念：

  • Event loop
  • Coroutine
  • Future & Task

Event loop

瞭解 JavaScript 或 Node.js 肯定對事件迴圈不陌生，我們可以把它看作是一種迴圈式（loop）的排程機制，它可以安排需要 CPU 執行的操作優先執行，而會被 I/O 阻塞的行為則進入等待佇列：

Python 非同步網路爬蟲 I

asyncio 自帶了事件迴圈：

import asyncio

loop = anscio.get_event_loop()
# loop.run_until_complete(coro())
loop.close()複製程式碼

當然你也可以選擇其它的實現形式，例如 Sanic 框架採用的 uvloop，用起來也非常簡單（ 至於效能上是否更優我沒有驗證過，但至少在 Jupyter Notebook 上 uvloop 用起來更方便）：

import asyncio
import uvloop

loop = uvloop.new_event_loop()
asyncio.set_event_loop(loop)複製程式碼

Coroutine

Python 3.5 以後推薦使用 async/await 關鍵詞來定義協程，它具有如下特性：

  • 通過 await 將可能阻塞的行為掛起，直到有結果之後繼續執行，Event loop 也是據此來對多個協程的執行進行排程的；
  • 協程並不像一般的函式一樣，通過 coro() 進行呼叫並不會執行它，而只有將它放入 Event loop 進行排程才能執行。

一個簡單的例子：

import uvloop
import asyncio

loop = uvloop.new_event_loop()
asyncio.set_event_loop(loop)

async def compute(a, b):
    print("Computing {} + {}...".format(a, b))
    await asyncio.sleep(a+b)
    return a + b
tasks = []
for i, j in zip(range(3), range(3)):
    print(i, j)
    tasks.append(compute(i, j))
loop.run_until_complete(asyncio.gather(*tasks))
loop.close()

### OUTPUT
"""
0 0
1 1
2 2
Computing 0 + 0...
Computing 1 + 1...
Computing 2 + 2...
CPU times: user 1.05 ms, sys: 1.21 ms, total: 2.26 ms
Wall time: 4 s
"""複製程式碼

由於我們沒辦法知道協程將在什麼時候呼叫及返回，asyncio 中提供了 Future 這一物件來追蹤它的執行結果。

Future & Task

Future 相當於 JavaScript 中的 Promise，用於儲存未來可能返回的結果。而 Task 則是 Future 的子類，與 Future 不同的是它包含了一個將要執行的協程（ 從而組成一個需要被排程的任務）。還以上面的程式為例，如果想要知道計算結果，可以通過 asyncio.ensure_future() 方法將協程包裹成 Task，最後再來讀取結果：

import uvloop
import asyncio

loop = uvloop.new_event_loop()
asyncio.set_event_loop(loop)

async def compute(a, b):
    print("Computing {} + {}...".format(a, b))
    await asyncio.sleep(a+b)
    return a + b
tasks = []
for i, j in zip(range(3), range(3)):
    print(i, j)
    tasks.append(asyncio.ensure_future(compute(i, j)))
loop.run_until_complete(asyncio.gather(*tasks))
for t in tasks:
    print(t.result())
loop.close()

### OUTPUT
"""
0 0
1 1
2 2
Computing 0 + 0...
Computing 1 + 1...
Computing 2 + 2...
0
2
4
CPU times: user 1.62 ms, sys: 1.86 ms, total: 3.49 ms
Wall time: 4.01 s
"""複製程式碼

非同步網路請求

Python 處理網路請求最好用的庫就是 requests（應該沒有之一），但由於它的請求過程是同步阻塞的，因此只好選用 aiohttp。為了對比同步與非同步情況下的差異，先偽造一個假的非同步處理伺服器：

from sanic import Sanic
from sanic.response import text
import asyncio
app = Sanic(__name__)

@app.route("/<word>")
@app.route("/")
async def index(req, word=""):
    t = len(word) / 10
    await asyncio.sleep(t)
    return text("It costs {}s to process `{}`!".format(t, word))
app.run()複製程式碼

伺服器處理耗時與請求引數（word）長度成正比，採用同步請求方式，執行結果如下：

import requests as req

URL = "http://127.0.0.1:8000/{}"
words = ["Hello", "Python", "Fans", "!"]

for word in words:
    resp = req.get(URL.format(word))
    print(resp.text)

### OUTPUT
"""
It costs 0.5s to process `Hello`!
It costs 0.6s to process `Python`!
It costs 0.4s to process `Fans`!
It costs 0.1s to process `!`!
CPU times: user 18.5 ms, sys: 2.98 ms, total: 21.4 ms
Wall time: 1.64 s
"""複製程式碼

採用非同步請求，執行結果如下：

import asyncio
import aiohttp
import uvloop

URL = "http://127.0.0.1:8000/{}"
words = ["Hello", "Python", "Fans", "!"]

async def getPage(session, word):
    with aiohttp.Timeout(10):
        async with session.get(URL.format(word)) as resp:
            print(await resp.text())

loop = uvloop.new_event_loop()
asyncio.set_event_loop(loop)
session = aiohttp.ClientSession(loop=loop)

tasks = []
for word in words:
    tasks.append(getPage(session, word))

loop.run_until_complete(asyncio.gather(*tasks))

loop.close()
session.close()

### OUTPUT
"""
It costs 0.1s to process `!`!
It costs 0.4s to process `Fans`!
It costs 0.5s to process `Hello`!
It costs 0.6s to process `Python`!
CPU times: user 61.2 ms, sys: 18.2 ms, total: 79.3 ms
Wall time: 732 ms
"""複製程式碼

從執行時間上來看效果是很明顯的。

未完待續

接下來將對 aiohttp 進行簡單封裝，更有利於偽裝成普通瀏覽器使用者訪問，從而服務於爬蟲傳送網路請求。

【閱讀原文】

參考

  1. Python 中的程式、執行緒、協程、同步、非同步、回撥
  2. Asyncio Document
  3. aiohttp - HTTP Client

相關文章