问题描述
我目前正在设计一个蜘蛛来抓取特定的网站。我可以做到同步,但是我想尽我所能使asyncio尽可能高效。我尝试了很多不同的方法,分别使用yield
,chained functions
和queues
,但是我无法使其正常工作。
我对设计部分和解决问题最感兴趣。并不是必需的可运行代码,而是突出显示了异步最重要的方面。我无法发布任何代码,因为我的尝试不值得分享。
任务:
exemple.com(我知道应该是example.com)具有以下设计:
以同步方式,逻辑将是这样的:
for table in my_url_list:
# Get HTML
# Extract urls from HTML to user_list
for user in user_list:
# Get HTML
# Extract urls from HTML to user_subcat_list
for subcat in user_subcat_list:
# extract content
但是现在我想以异步方式抓取该网站。可以说我们使用5个实例(pyppeteer中的选项卡或aiohttp中的请求)来解析内容。我们应该如何设计它以使其最有效?我们应该使用哪种异步语法?
更新
感谢@ user4815162342解决了我的问题。我一直在研究他的解决方案,如果其他人想使用asyncio,我会在下面发布可运行的代码。
import asyncio
import random
my_url_list = ['exemple.com/table1','exemple.com/table2','exemple.com/table3']
# Random sleeps to simulate requests to the server
async def randsleep(caller=None):
i = random.randint(1,6)
if caller:
print(f"Request HTML for {caller} sleeping for {i} seconds.")
await asyncio.sleep(i)
async def process_urls(url_list):
print(f'async def process_urls: added {url_list}')
limit = asyncio.Semaphore(5)
coros = [process_user_list(table,limit) for table in url_list]
await asyncio.gather(*coros)
async def process_user_list(table,limit):
async with limit:
# Simulate HTML request and extracting urls to populate user_list
await randsleep(table)
if table[-1] == '1':
user_list = ['exemple.com/user1','exemple.com/user2','exemple.com/user3']
elif table[-1] == '2':
user_list = ['exemple.com/user4','exemple.com/user5','exemple.com/user6']
else:
user_list = ['exemple.com/user7','exemple.com/user8','exemple.com/user9']
print(f'async def process_user_list: Extracted {user_list} from {table}')
# Execute process_user in parallel,but do so outside the `async with`
# because process_user will also need the semaphore,and we don't need
# it any more since we're done with fetching HTML.
coros = [process_user(user,limit) for user in user_list]
await asyncio.gather(*coros)
async def process_user(user,limit):
async with limit:
# Simulate HTML request and extracting urls to populate user_subcat_list
await randsleep(user)
user_subcat_list = [user + '/profile',user + '/info',user + '/followers']
print(f'async def process_user: Extracted {user_subcat_list} from {user}')
coros = [process_subcat(subcat,limit) for subcat in user_subcat_list]
await asyncio.gather(*coros)
async def process_subcat(subcat,limit):
async with limit:
# Simulate HTML request and extracting content
await randsleep(subcat)
print(f'async def process_subcat: Extracted content from {subcat}')
if __name__ == '__main__':
asyncio.run(process_urls(my_url_list))
解决方法
让我们重新构造同步代码,以便可以访问网络的每个部分都具有单独的功能。该功能未更改,但以后将使事情变得更容易:
def process_urls(url_list):
for table in url_list:
process_user_list(table)
def process_user_list(table):
# Get HTML,extract user_list
for user in user_list:
process_user(user)
def process_user(user):
# Get HTML,extract user_subcat_list
for subcat in user_subcat_list:
process_subcat(subcat)
def process_subcat(subcat):
# get HTML,extract content
if __name__ == '__main__':
process_urls(my_url_list)
假设处理顺序无关紧要,我们希望异步版本并行运行现在在for
循环中调用的所有函数。它们仍将在单个线程上运行,但是它们将await
可能阻塞的所有内容,允许事件循环并行化等待,并通过在准备好进行操作时恢复每个协程来驱动它们完成。这是通过将每个协程作为一个独立的任务生成的,该任务独立于其他任务运行并因此并行运行。例如,process_urls
的顺序(但仍是异步)版本将如下所示:
async def process_urls(url_list):
for table in url_list:
await process_user_list(table)
这是异步的,因为它在事件循环内运行,并且您可以并行运行几个这样的函数(我们将在稍后展示如何执行),但是它也是顺序的,因为它选择每个await
调用process_user_list
。 await
明确指示asyncio等待恢复process_urls
的执行,直到process_user_list
的结果可用为止。
我们想要的是告诉asyncio并行运行process_user_list
的所有调用,并让我们知道它们何时全部完成。在“背景”中生成协程的基本原语是使用asyncio.create_task
将它作为 task 调度,这是与轻量级线程最接近的异步等效项。使用create_task
的并行版本process_urls
看起来像这样:
async def process_urls(url_list):
# spawn a task for each table
tasks = []
for table in url_list:
asyncio.create_task(process_user_list(table))
tasks.append(task)
# The tasks are now all spawned,so awaiting one task lets
# them all run.
for task in tasks:
await task
第二个循环看起来像是依次等待任务,但是由于每个await
运行 all 个任务,因此总等待时间将不超过最长任务的时间{{ 3}}。
此模式使用得非常频繁,因此asyncio具有专用的实用程序功能regardless of the order in which they finish。使用此功能,可以用更短的版本表示相同的代码:
async def process_urls(url_list):
coros = [process_user_list(table) for table in url_list]
await asyncio.gather(*coros)
但是还有另一件事要注意:由于process_user_list
将从服务器获取HTML,并且将有许多并行运行的实例,因此我们不能允许它通过数百个同时连接来锤击服务器。 。我们可以创建一个工作任务池和某种队列,但是asyncio提供了一个更优雅的解决方案:asyncio.gather
。信号量是一种同步设备,不允许并行进行超过预定数量的激活,因此其余的等待排队。
process_urls
的最终版本会创建一个信号量,并将其向下传递。它不会激活信号灯,因为process_urls
实际上并未获取任何HTML本身,因此没有理由让它在process_user_list
运行时保留信号灯插槽。
async def process_urls(url_list):
limit = asyncio.Semaphore(5)
coros = [process_user_list(table,limit) for table in url_list]
await asyncio.gather(*coros)
process_user_list
看起来很相似,但是它确实需要使用async with
来激活信号量:
async def process_user_list(table,limit):
async with limit:
# Get HTML using aiohttp,extract user_list
# Execute process_user in parallel,but do so outside the `async with`
# because process_user will also need the semaphore,and we don't need
# it any more since we're done with fetching HTML.
coros = [process_user(user,limit) for user in user_list]
await asyncio.gather(*coros)
process_user
和process_subcat
大致相同:
async def process_user(user,limit):
async with limit:
# Get HTML,extract user_subcat_list
coros = [process_subcat(subcat,limit) for subcat in user_subcat_list]
await asyncio.gather(*coros)
def process_subcat(subcat,limit):
async with limit:
# get HTML,extract content
# do something with content
if __name__ == '__main__':
asyncio.run(process_urls(my_url_list))
在实践中,您可能希望异步函数共享相同的aiohttp会话,因此您可能会在顶级函数(在您的情况下为process_urls
)中创建它,并将其与信号量一起传递给。提取HTML的每个函数对于aiohttp请求/响应都会有另一个async with
,例如:
async with limit:
async with session.get(url,params...) as resp:
# get HTML data here
resp.raise_for_status()
resp = await resp.read()
# extract content from HTML data here
可以将两个async with
折叠为一个,以减少缩进但保持相同的含义:
async with limit,session.get(url,params...) as resp:
# get HTML data here
resp.raise_for_status()
resp = await resp.read()
# extract content from HTML data here