高性能爬虫相关（IO多路复用，异步非阻塞）

高性能爬虫相关（IO多路复用，异步非阻塞）

 

说到提高性能，我们可以想到的是利用多进程、多线程以及单线程实现并发，由于爬虫爬取信息时IO操作较多，所以利用单线程实现并发是较好的选择

爬虫本质上还是建立socket连接，通过http请求获取数据

本质：
    sk = socket()
    # 阻塞
    sk.connect(('www.cnblogs.com',80))
    
    sk.sendall(b"GET /wupeiqi http1.1\r\n.....\r\n\r\n")
    sk.sendall(b"POST /wupeiqi http1.1\r\n.....\r\n\r\nuser=alex&pwd=123")
    
    # 阻塞
    data = sk.recv(8096)
    
    sk.close()

IO多路复用和异步非阻塞

IO多路复用：监听多个socket是否发生变化，可以监听到socket是否已经建立连接，是否接收到数据

import select 

while True:
    # 让select模块帮助我们去检测sk1/sk2两个socket对象是否已经发生“变化”
    # r=[]
    #       如果r中有值
    #        r=[sk1,]    表示：sk1这个socket已经获取到响应的内容
    #        r=[sk1,sk2] 表示：sk1,sk2两个socket已经获取到响应的内容
    # w=[],如果w中有值
    #        w=[sk1,],   表示：sk1这个socket已经连接成功；
    #        w=[sk1,sk2],表示：sk1/sk2两个socket已经连接成功；
    
    r,w,e = select.select([sk1,sk2],[sk1,sk2],[],0.5)
    
    for client in w:
        content = "GET /wupeiqi HTTP/1.1\r\nUser-Agent: Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) 
        client.sendall(content.encode('utf-8'))
    
    for cli in r:
        response = cli.recv(8096)
        print(response)
        cli.close()

异步非阻塞

- 非阻塞
    - 不等待(报错，捕捉异常)，建立socket连接以及等待接收数据时不阻塞
    - 代码：
        sk = socket.socket()
        sk.setblocking(False)
- 异步：
    - 回调，当达到某个指定的状态之后，自动调用特定函数。

如何自定义异步非阻塞模块？
基于socket设置setblocking和IO多路复用来实现。
爬虫发送Http请求本质创建socket对象；
IO多路复用"循环"监听socket是否发生变化，一旦发生变化， 我们可以自定义操作（触发某个函数的执行）

自定义异步非阻塞模块

import socket
import select


class Request(object):
    def __init__(self, sk, callback):
        self.sk = sk
        self.callback = callback

    def fileno(self):
        return self.sk.fileno()


class AsyncHttp(object):
    def __init__(self):
        self.fds = []
        self.conn = []

    def add(self, url, callback):
        sk = socket.socket()
        sk.setblocking(False)
        try:
            sk.connect((url, 80))
        except BlockingIOError as e:
            pass
        req = Request(sk, callback)
        self.fds.append(req)
        self.conn.append(req)

    def run(self):
        """
        监听socket是否发生变化
        :return:
        """
        while True:
            """
            fds=[req(sk,callback),req,req]
            conn=[req,req,req]
            """
            r, w, e = select.select(self.fds, self.conn, [], 0.05)  # sk.fileno() = req.fileno()

            # w=已经连接成功的socket列表 w=[sk1,sk2]
            for req in w:
                req.sk.sendall(
                    b'GET /wupeiqi HTTP/1.1\r\nUser-Agent: Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36\r\n\r\n')
                # 已经连接成功的socket，无需再继续监听
                self.conn.remove(req)

            # r=服务端给用户返回数据了 r=[sk1,]
            for req in r:
                data = req.sk.recv(8096)
                req.callback(data)

                req.sk.close()  # 断开连接：短连接、无状态
                self.fds.remove(req)  # 不再监听

            if not self.fds:
                break


ah = AsyncHttp()


def callback1(data):
    print(11111, data)


def callback2(data):
    print(22222, data)


def callback3(data):
    print(333333, data)


ah.add('www.cnblogs.com', callback1)  # sk1
ah.add('www.baidu.com', callback2)  # sk2
ah.add('www.luffycity.com', callback3)  # sk3

ah.run()

本质：socket+IO多路复用

IO多路复用的作用

select，内部循环检测socket是否发生变化；1024个socket
poll，内部循环检测socket是否发生变化；
epoll，回调的方式

协程

什么是协程

- 是“微线程”，不存在；是由程序员人为创造出来并控制程序：先执行某段代码、再跳到某处执行某段代码。

- 如果遇到非IO请求来回切换：性能更低。

- 如果遇到IO（耗时）请求来回切换：性能高、实现并发（本质上利用IO等待的过程，再去干一些其他的事）

 示例

情况一：
    import asyncio
    import requests


    @asyncio.coroutine
    def fetch_async(func, *args):
        loop = asyncio.get_event_loop()
        future = loop.run_in_executor(None, func, *args)
        response = yield from future
        print(response.url, len(response.content))


    tasks = [
        fetch_async(requests.get, 'http://www.cnblogs.com/wupeiqi/'),
        fetch_async(requests.get, 'http://dig.chouti.com/pic/show?nid=4073644713430508&lid=10273091')
    ]

    loop = asyncio.get_event_loop()
    results = loop.run_until_complete(asyncio.gather(*tasks))
    loop.close()
情况二：
    import gevent
    from gevent import monkey
    monkey.patch_all()
    import requests


    def fetch_async(method, url, req_kwargs):
        print(method, url, req_kwargs)
        response = requests.request(method=method, url=url, **req_kwargs)
        print(response.url, len(response.content))

    # ##### 发送请求 #####
    gevent.joinall([
        gevent.spawn(fetch_async, method='get', url='https://www.cnblogs.com/', req_kwargs={}),
        gevent.spawn(fetch_async, method='get', url='https://www.baidu.com/', req_kwargs={}),
        gevent.spawn(fetch_async, method='get', url='https://www.sogo.com/', req_kwargs={}),
    ])
    # ##### 发送请求（协程池控制最大协程数量） #####
    # from gevent.pool import Pool
    # pool = Pool(None)
    # gevent.joinall([
    #     pool.spawn(fetch_async, method='get', url='https://www.python.org/', req_kwargs={}),
    #     pool.spawn(fetch_async, method='get', url='https://www.yahoo.com/', req_kwargs={}),
    #     pool.spawn(fetch_async, method='get', url='https://www.github.com/', req_kwargs={}),
    # ])
                
情况三：
    from twisted.web.client import getPage, defer
    from twisted.internet import reactor


    def all_done(arg):
        reactor.stop()


    def callback(contents):
        print(contents)


    d_list = []

    url_list = ['http://www.bing.com', 'http://www.baidu.com', ]
    for url in url_list:
        d = getPage(bytes(url, encoding='utf8'))
        d.addCallback(callback)

        d_list.append(d)

    # 用于检查是否页面已经全部下载完成，如果已下载完成那么，就停止循环。
    dlist = defer.DeferredList(d_list)
    dlist.addBoth(all_done) #

    reactor.run()