python异步爬虫的实现过程

在日常爬虫中我们会涉及到同步与异步问题，一般异步编程可以大幅度的提高系统的吞吐量，提高单位时间内发出的请求数目。之前的文章分享了些同步的知识，就是对aurl发起请求，等待响应。然后再访问burl，等待响应。。。

大量的时间消耗在等待上，如果能近似的同时对多个网址发起请求，等待响应，速度回快很多倍。其实所谓的同时也是有先后顺序的，所以叫异步。

异步爬虫的方式有以下2种

1、多线程，多进程（不建议）：

好处：可以为相关阻塞的操作单独开启线程，阻塞操作就可以异步执行。弊端：无法无限制的开启多线程或者多进程。

2、线程池、进程池（适当的使用）：好处：可以降低系统对进程或者线程创建和销毁的一个频率，从而很好的降低系统的开销。弊端：池中线程或进程的数量是有上限。

接下来我们通过aiohttp异步爬虫来爬取一个书籍网站的数据， https://spa5.scrape.center/，通过简单的网站分析，反爬机制不是很严，为了爬取顺利这里添加了代理IP，由于这个网站的数据量多一些，所以选择用异步方式来爬取，代码实例如下：

# 导入相关库
import asyncio
import aiohttp
from aiohttp_socks import ProxyConnector
from bs4 import BeautifulSoup

# 定义目标网站和代理服务器的参数
url = "https://spa5.scrape.center/"
proxy = "socks5://16yun:[email protected]:11111"

# 定义异步函数来发送GET请求，并使用代理服务器来连接目标网站
async def fetch(session, url):
    try:
        async with session.get(url) as response:
            # 检查响应状态码是否为200，否则抛出异常
            if response.status != 200:
                raise Exception(f"Bad status code: {response.status}")
            # 返回响应内容的文本格式
            return await response.text()
    except Exception as e:
        # 打印异常信息，并返回None
        print(e)
        return None

# 定义异步函数来处理响应结果，并解析HTML内容
async def parse(html):
    # 如果响应结果不为空，则进行解析操作
    if html is not None:
        # 使用bs4库来创建BeautifulSoup对象，并指定解析器为html.parser
        soup = BeautifulSoup(html, "html.parser")
        # 提取网页中的标题标签，并打印其文本内容
        title = soup.find("title")
        print(title.text)
    else:
        # 否则打印None表示无效结果
        print(None)

# 定义异步函数来统计成功次数，并打印结果
async def count(results):
    # 初始化成功次数为0
    success = 0
    # 遍历所有的结果，如果不为空，则增加成功次数，否则跳过
    for result in results:
        if result is not None:
            success += 1
    # 打印总共的请求数和成功次数    
    print(f"Total requests: {len(results)}")
    print(f"Success requests: {success}")

# 定义异步主函数来创建并运行多个协程任务，并控制并发数量和超时时间等参数    
async def main():
    # 创建一个aiohttp_socks.ProxyConnector对象，用来设置代理服务器的参数    
    connector = ProxyConnector.from_url(proxy)
    # 创建一个aiohttp.ClientSession对象，用来发送HTTP请求，并传入connector参数    
    async with aiohttp.ClientSession(connector=connector) as session:
        # 创建一个空列表，用来存储所有的协程任务        
        tasks = []
        # 循环10000次，每次创建一个fetch函数的协程任务，并添加到列表中        
        for i in range(10000):
            task = asyncio.create_task(fetch(session, url))
            tasks.append(task)
        
        # 使用asyncio.gather函数来收集并执行所有的协程任务，并返回一个包含所有结果的列表        
        results = await asyncio.gather(*tasks)
        
        # 创建一个空列表，用来存储所有的解析任务        
        parse_tasks = []
        
         for result in results:
             parse_task = asyncio.create_task(parse(result))
             parse_tasks.append(parse_task)
             
         await asyncio.gather(*parse_tasks)   
         
         await count(results)

# 在程序入口处调用异步主函数，并启动事件循环         
if __name__ == "__main__":
     asyncio.run(main())