协程的基本原理

　　爬虫是 IO 密集型任务，例如使用 requests 库来爬取某个站点，发出一个请求之后，程序必须要等待网站返回响应之后才能接着运行，而在等待响应的过程中，整个爬虫程序是一直在等待的，实际上没有做任何的事情。对于这种情况我们有没有优化方案呢？

协程的基本原理

　　要实现异步机制的爬虫，自然和协程脱不了关系。

实例引入

　　先看一个案例网站：https://www.httpbin.org/delay/5，访问这个网站需要等待五秒才能得到结果，这是因为服务器强制等待了 5 秒才返回响应。
　　平时浏览网页的时候，绝大部分网页的响应速度还是很快，如果写爬虫来爬取，那么从发出请求到接收响应的时间不会很长，因此需要等待的时间并不多。
　　然而像上面这个网站，发出请求至少5秒钟之后才能得到响应，如果用 requests 库写爬虫来爬取，那么每次都要等待 5 秒才能拿到结果。
　　下面来测试一下，用 requests 写一个遍历程序，直接遍历100次案例网站，查看效果，代码如下：

import requests
import logging
import time

logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s')

TOTAL_NUMBER = 100
URL = 'https://www.httpbin.org/delay/5'

start_time = time.time()
for _ in range(1, TOTAL_NUMBER + 1):
    logging.info('scraping %s',URL)
    response = requests.get(URL)
end_time = time.time()
logging.info('total time %s seconds', end_time - start_time)

　　用循环的方式构造了 100 请求，使用的是 requests 单线程，在爬取之前和爬取之后记录下时间，最后输出爬取了 100 个页面消耗的时间。

运行结果：

　　由于每个页面都至少要等待 5 秒才能加载出来，因此 100 个页面至少要花费 500 秒的时间，总的爬取时间最终为685秒，大概 11 分钟。

　　这个在实际情况下是很常见的，有些网站本身加载速度就比较慢，稍慢的可能 1~3 秒，更慢的说不定 10 秒以上才可能加载出来。如果用 requests 单线程这么爬取的话，总的耗时是非常多的。此时如果我们开了多线程或多进程来爬取的话，其爬取速度确实会成倍提升，但有没有更好的解决方案呢？

　　本节来了解一下使用异步执行方式来加速的方法，此种方法对于 IO 密集型任务非常有效。如将其应用到网络爬虫中，爬取效率甚至可以成百倍地提升。

基础知识

　　了解异步协程之前，先了解一些基础概念，如阻塞和非阻塞、同步和异步、多进程和协程。

阻塞

　　阻塞状态指程序未得到所需计算资源时被挂起的状态。程序在等待某个操作完成期间，自身无法继续处理其他的事情，则称该程序在该操作上是阻塞的。

　　常见的阻塞形式有：网络 I/O 阻塞、磁盘 I/O 阻塞、用户输入阻塞等。阻塞是无处不在的，包括 CPU 切换上下文时，所有的进程都无法真正处理事情，它们也会被阻塞。如果是多核 CPU 则正在执行上下文切换操作的核不可被利用。

非阻塞

　　程序在等待某操作过程中，自身不被阻塞，可以继续处理其他的事情，则称该程序在该操作上是非阻塞的。

　　非阻塞并不是在任何程序级别、任何情况下都可以存在的。仅当程序封装的级别可以囊括独立的子程序单元时，它才可能存在非阻塞状态。

　　非阻塞的存在是因为阻塞存在，正因为某个操作阻塞导致的耗时与效率低下，才要把它变成非阻塞的。

同步

　　不同程序单元为了完成某个任务，在执行过程中需靠某种通信方式以协调一致，称这些程序单元是同步执行的。

　　例如购物系统中更新商品库存，需要用“行锁”作为通信信号，让不同的更新请求强制排队顺序执行，那更新库存的操作是同步的。

　　简言之，同步意味着有序。

异步

　　为完成某个任务，不同程序单元之间过程中无需通信协调，也能完成任务的方式，不相关的程序单元之间可以是异步的。

　　例如，爬虫下载网页。调度程序调用下载程序后，即可调度其他任务，而无需与该下载任务保持通信以协调行为。不同网页的下载、保存等操作都是无关的，也无需相互通知协调。这些异步操作的完成时刻并不确定。

　　简言之，异步意味着无序。

多进程

　　多进程就是利用 CPU 的多核优势，在同一时间并行地执行多个任务，可以大大提高执行效率。

协程

　　协程，英文叫作 Coroutine，又称微线程、纤程，协程是一种用户态的轻量级线程。

　　协程拥有自己的寄存器上下文和栈。协程调度切换时，将寄存器上下文和栈保存到其他地方，在切回来的时候，恢复先前保存的寄存器上下文和栈。因此协程能保留上一次调用时的状态，即所有局部状态的一个特定组合，每次过程重入时，就相当于进入上一次调用的状态。

　　协程本质上是个单进程，协程相对于多进程来说，无需线程上下文切换的开销，无需原子操作锁定及同步的开销，编程模型也非常简单。

　　可以使用协程来实现异步操作，比如在网络爬虫场景下，我们发出一个请求之后，需要等待一定的时间才能得到响应，但其实在这个等待过程中，程序可以干许多其他的事情，等到响应得到之后才切换回来继续处理，这样可以充分利用 CPU 和其他资源，这就是协程的优势。

协程的用法

　　了解下协程的实现，从 Python 3.4 开始，Python 中加入了协程的概念，但这个版本的协程还是以生成器对象为基础的，在 Python 3.5 则增加了 async/await，使得协程的实现更加方便。

　　Python 中使用协程最常用的库莫过于 asyncio，所以本文会以 asyncio 为基础来介绍协程的使用。

　　先了解下面几个概念。

event_loop：事件循环，相当于一个无限循环，可以把一些函数注册到这个事件循环上，当满足条件发生的时候，就会调用对应的处理方法。
coroutine：中文翻译叫协程，在 Python 中常指代为协程对象类型，可以将协程对象注册到时间循环中，它会被事件循环调用。可以使用 async 关键字来定义一个方法，这个方法在调用时不会立即被执行，而是返回一个协程对象。
task：任务，它是对协程对象的进一步封装，包含了任务的各个状态。
future：代表将来执行或没有执行的任务的结果，实际上和 task 没有本质区别。

　　还需要了解 async/await 关键字，它是从 Python 3.5 才出现的，专门用于定义协程。其中，async 定义一个协程，await 用来挂起阻塞方法的执行。

准备工作

　　确保安装的 Python 版本为 3.5 及以上。

定义协程

　　首先定义一个协程，体验一下它和普通进程在实现上的不同之处，代码如下：

import asyncio
async def execute(x):
   print('Number:', x)
coroutine = execute(1)
print('Coroutine:', coroutine)
print('After calling execute')
loop = asyncio.get_event_loop()
loop.run_until_complete(coroutine)
print('After calling loop')

运行结果：

Coroutine: <coroutine object execute at 0x000001F020878110>
After calling execute
Number: 1
After calling loop

　　首先引入了 asyncio 这个包，这样才可以使用 async 和 await，然后使用 async 定义了一个 execute 方法，方法接收一个数字参数，方法执行之后会打印这个数字。

　　随后直接调用了这个方法，然而这个方法并没有执行，而是返回了一个 coroutine 协程对象。之后使用 get_event_loop 方法创建了一个事件循环 loop，并调用了 loop 对象的 run_until_complete 方法将协程注册到事件循环 loop 中，然后启动。最后才看到了 execute 方法打印了输出结果。

　　可见，async 定义的方法就会变成一个无法直接执行的 coroutine 对象，必须将其注册到事件循环中才可以执行。

　　上面还提到了 task，它是对 coroutine 对象的进一步封装，它里面相比 coroutine 对象多了运行状态，比如 running、finished 等，可以用这些状态来获取协程对象的执行情况。

　　在上面的例子中，将 coroutine 对象传递给 run_until_complete 方法的时候，实际上它进行了一个操作就是将 coroutine 封装成了 task 对象，也可以显式地进行声明，代码如下所示：

import asyncio
async def execute(x):
   print('Number:', x)
   return x
coroutine = execute(1)
print('Coroutine:', coroutine)
print('After calling execute')
loop = asyncio.get_event_loop()
task = loop.create_task(coroutine)
print('Task:', task)
loop.run_until_complete(task)
print('Task:', task)
print('After calling loop')

运行结果：

Coroutine: <coroutine object execute at 0x000001AC2A778110>
After calling execute
Task: <Task pending name='Task-1' coro=<execute() running at F:\PythonProject\pythonProject\6-1异步爬虫\03..task.py:2>>
Number: 1
Task: <Task finished name='Task-1' coro=<execute() done, defined at F:\PythonProject\pythonProject\6-1异步爬虫\03..task.py:2> result=1>
After calling loop

　　这里定义了 loop 对象之后，接着调用了它的 create_task 方法将 coroutine 对象转化为了 task 对象，随后打印输出一下，发现它是 pending 状态。然后将 task 对象添加到事件循环中得到执行，并再打印输出一下 task 对象，发现它的状态就变成了 finished，同时还可以看到其 result 变成了 1，也就是定义的 execute 方法的返回结果。

　　另外定义 task 对象还有一种方式，就是直接通过 asyncio 的 ensure_future 方法，返回结果也是 task 对象，这样就可以不借助于 loop 来定义，即使还没有声明 loop 也可以提前定义好 task 对象，写法如下：

import asyncio
async def execute(x):
   print('Number:', x)
   return x
coroutine = execute(1)
print('Coroutine:', coroutine)
print('After calling execute')
task = asyncio.ensure_future(coroutine)
print('Task:', task)
loop = asyncio.get_event_loop()
loop.run_until_complete(task)
print('Task:', task)
print('After calling loop')

运行结果：

import asyncio
async def execute(x):
   print('Number:', x)
   return x
coroutine = execute(1)
print('Coroutine:', coroutine)
print('After calling execute')
task = asyncio.ensure_future(coroutine)
print('Task:', task)
loop = asyncio.get_event_loop()
loop.run_until_complete(task)
print('Task:', task)
print('After calling loop')

发现其运行效果都是一样的。

绑定回调

　　也可以为某个 task 绑定一个回调方法，比如来看下面的例子：

import asyncio
import requests
 
async def request():
   url = 'https://www.baidu.com'
   status = requests.get(url)
   return status
 
def callback(task):
   print('Status:', task.result())
 
coroutine = request()
task = asyncio.ensure_future(coroutine)
task.add_done_callback(callback)
print('Task:', task)
 
loop = asyncio.get_event_loop()
loop.run_until_complete(task)
print('Task:', task)

　　在这里定义了一个 request 方法，请求了百度，获取其状态码，但是这个方法里面没有任何 print 语句。随后定义了一个 callback 方法，这个方法接收一个参数，是 task 对象，然后调用 print 方法打印了 task 对象的结果。这样就定义好了一个 coroutine 对象和一个回调方法，现在希望的效果是，当 coroutine 对象执行完毕之后，就去执行声明的 callback 方法。

　　那么它们二者怎样关联起来呢？很简单，只需要调用 add_done_callback 方法即可，将 callback 方法传递给了封装好的 task 对象，这样当 task 执行完毕之后就可以调用 callback 方法了，同时 task 对象还会作为参数传递给 callback 方法，调用 task 对象的 result 方法就可以获取返回结果了。

运行结果：

Task: <Task pending name='Task-1' coro=<request() running at F:\PythonProject\pythonProject\6-1异步爬虫\05.task绑定回调.py:5> cb=[callback() at F:\PythonProject\pythonProject\6-1异步爬虫\05.task绑定回调.py:11]>
Status: <Response [200]>
Task: <Task finished name='Task-1' coro=<request() done, defined at F:\PythonProject\pythonProject\6-1异步爬虫\05.task绑定回调.py:5> result=<Response [200]>>

　　实际上不用回调方法，直接在 task 运行完毕之后也可以直接调用 result 方法获取结果，如下所示：

import asyncio
import requests
 
async def request():
   url = 'https://www.baidu.com'
   status = requests.get(url)
   return status
 
coroutine = request()
task = asyncio.ensure_future(coroutine)
print('Task:', task)
 
loop = asyncio.get_event_loop()
loop.run_until_complete(task)
print('Task:', task)
print('Task Result:', task.result())

运行结果是一样的：

Task: <Task pending name='Task-1' coro=<request() running at F:\PythonProject\pythonProject\6-1异步爬虫\06.task不用回调.py:5>>
Task: <Task finished name='Task-1' coro=<request() done, defined at F:\PythonProject\pythonProject\6-1异步爬虫\06.task不用回调.py:5> result=<Response [200]>>
Task Result: <Response [200]>

多任务协程

　　上面的例子只执行了一次请求，如果想执行多次请求应该怎么办呢？可以定义一个 task 列表，然后使用 asyncio 的 wait 方法即可执行，看下面的例子：

import asyncio
import requests

async def request():
    url = 'https://www.baidu.com'
    status = requests.get(url)
    return status

tasks = [asyncio.ensure_future(request()) for _ in range(5)]
print('多任务:', tasks)

loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))

for task in tasks:
    print('任务结果:', task.result())

　　使用一个 for 循环创建了五个 task，组成了一个列表，然后把这个列表首先传递给了 asyncio 的 wait() 方法，然后再将其注册到时间循环中，就可以发起五个任务了。最后再将任务的运行结果输出出来，运行结果如下：

多任务: [<Task pending name='Task-1' coro=<request() running at F:\PythonProject\pythonProject\6-1异步爬虫\07.multitaskingCoroutines.py:4>>, <Task pending name='Task-2' coro=<request() running at F:\PythonProject\pythonProject\6-1异步爬虫\07.multitaskingCoroutines.py:4>>, <Task pending name='Task-3' coro=<request() running at F:\PythonProject\pythonProject\6-1异步爬虫\07.multitaskingCoroutines.py:4>>, <Task pending name='Task-4' coro=<request() running at F:\PythonProject\pythonProject\6-1异步爬虫\07.multitaskingCoroutines.py:4>>, <Task pending name='Task-5' coro=<request() running at F:\PythonProject\pythonProject\6-1异步爬虫\07.multitaskingCoroutines.py:4>>]
任务结果: <Response [200]>
任务结果: <Response [200]>
任务结果: <Response [200]>
任务结果: <Response [200]>
任务结果: <Response [200]>

协程实现

　　前面讲了这么多，又是 async，又是 coroutine，又是 task，又是 callback，但似乎并没有看出协程的优势啊？反而写法上更加奇怪和麻烦了，别急，上面的案例只是为后面的使用作铺垫，接下来正式来看下协程在解决 IO 密集型任务上有怎样的优势吧！

　　·上面的代码中，用一个网络请求作为示例，这就是一个耗时等待的操作，因为请求网页之后需要等待页面响应并返回结果。耗时等待的操作一般都是 IO 操作，比如文件读取、网络请求等等。协程对于处理这种操作是有很大优势的，当遇到需要等待的情况的时候，程序可以暂时挂起，转而去执行其他的操作，从而避免一直等待一个程序而耗费过多的时间，充分利用资源。

　　为了表现出协程的优势，以本节头介绍的网站 https://www.httpbin.org/delay/5 为例来进行演示，因为该网站响应比较慢，所以可以通过爬取时间来直观地感受到爬取速度的提升。

　　为了让更好地理解协程的正确使用方法，先来看看使用协程时常犯的错误，后面再给出正确的例子来对比一下。

　　首先，还是拿之前的 requests库来进行网页请求，之后再重新使用上面的方法请求一遍：

import asyncio
import requests
import time

start = time.time()

async def request():
    url = 'https://www.httpbin.org/delay/5'
    print('等待', url)
    response = requests.get(url)
    print('获取响应', url, 'response', response)

tasks = [asyncio.ensure_future(request()) for _ in range(10)]
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))

end = time.time()
print('成本时间:', end - start)

　　在这里还是创建了 10 个 task，然后将 task 列表传给 wait 方法并注册到时间循环中执行。

运行结果如下：

等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
成本时间: 69.11856603622437

　　可以发现和正常的请求并没有什么两样，依然还是顺次执行的，耗时 69秒，平均一个请求耗时将近 7 秒，说好的异步处理呢？

　　其实，要实现异步处理，得先要有挂起的操作，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，上面方法都是一本正经的串行走下来，连个挂起都没有，怎么可能实现异步？想太多了。

　　要实现异步，接下来需要了解一下 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。

　　所以，可能会将代码中的 request 方法改成如下的样子：

async def request():
    url = 'https://www.httpbin.org/delay/5'
    print('等待', url)
    response = await requests.get(url)
    print('获取响应', url, 'response', response)

　　仅仅是在 requests 前面加了一个 await，然而执行以下代码，会得到如下报错：

等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
...
TypeError: object Response can't be used in 'await' expression
Task exception was never retrieved

　　这次它遇到 await 方法确实挂起了，也等待了，但是最后却报了这么个错，这个错误的意思是 requests 返回的 Response 对象不能和 await 一起使用，为什么呢？因为根据官方文档说明，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。

可以参见：https://www.python.org/dev/peps/pep-0492/#await-expression。

requests 返回的 Response 不符合上面任一条件，因此就会报上面的错误了。

　　那么可能会发现，既然 await 后面可以跟一个 coroutine 对象，那么用 async 把请求的方法改成 coroutine 对象不就可以了吗？所以就改写成如下的样子：

import asyncio
import requests
import time

start = time.time()

async def get(url):
    return requests.get(url)

async def request():
    url = 'https://www.httpbin.org/delay/5'
    print('等待', url)
    response = await get(url)
    print('获取响应', url, 'response', response)


tasks = [asyncio.ensure_future(request()) for _ in range(10)]
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))

end = time.time()
print('成本时间:', end - start)

　　这里将请求页面的方法独立出来，并用 async 修饰，这样就得到了一个 coroutine 对象，运行一下看看：

等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <Response [200]>
成本时间: 68.29207468032837

　　还是不行，它还不是异步执行，也就是说我们仅仅将涉及 IO 操作的代码封装到 async 修饰的方法里面是不可行的！必须要使用支持异步操作的请求方式才可以实现真正的异步，所以这里就需要 aiohttp 派上用场了。

使用 aiohttp

　　aiohttp 是一个支持异步请求的库，利用它和 asyncio 配合可以非常方便地实现异步请求操作。

安装方式如下：

pip3 install aiohttp

官方文档链接为：https://aiohttp.readthedocs.io/，它分为两部分，一部分是 Client，一部分是 Server，详细的内容可以参考官方文档。

　　下面将 aiohttp 用上来，将代码改成如下样子：

import asyncio
import aiohttp
import time

start = time.time()

async def get(url):
    session = aiohttp.ClientSession()
    response = await session.get(url)
    await response.text()
    await session.close()
    return response

async def request():
    url = 'https://www.httpbin.org/delay/5'
    print('等待', url)
    response = await get(url)
    print('获取响应', url, 'response', response)

tasks = [asyncio.ensure_future(request()) for _ in range(10)]
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))

end = time.time()
print('成本时间:', end - start)

　　在这里将请求库由 requests 改成了 aiohttp，通过 aiohttp 的 ClientSession 类的 get 方法进行请求，结果如下：

等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
等待 https://www.httpbin.org/delay/5
获取响应 https://www.httpbin.org/delay/5 response <ClientResponse(https://www.httpbin.org/delay/5) [200 OK]>
<CIMultiDictProxy('Date': 'Thu, 27 Jun 2024 17:39:13 GMT', 'Content-Type': 'application/json', 'Content-Length': '368', 'Connection': 'keep-alive', 'Server': 'gunicorn/19.9.0', 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Credentials': 'true')>

获取响应 https://www.httpbin.org/delay/5 response <ClientResponse(https://www.httpbin.org/delay/5) [200 OK]>
<CIMultiDictProxy('Date': 'Thu, 27 Jun 2024 17:39:13 GMT', 'Content-Type': 'application/json', 'Content-Length': '368', 'Connection': 'keep-alive', 'Server': 'gunicorn/19.9.0', 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Credentials': 'true')>

获取响应 https://www.httpbin.org/delay/5 response <ClientResponse(https://www.httpbin.org/delay/5) [200 OK]>
<CIMultiDictProxy('Date': 'Thu, 27 Jun 2024 17:39:13 GMT', 'Content-Type': 'application/json', 'Content-Length': '368', 'Connection': 'keep-alive', 'Server': 'gunicorn/19.9.0', 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Credentials': 'true')>

获取响应 https://www.httpbin.org/delay/5 response <ClientResponse(https://www.httpbin.org/delay/5) [200 OK]>
<CIMultiDictProxy('Date': 'Thu, 27 Jun 2024 17:39:13 GMT', 'Content-Type': 'application/json', 'Content-Length': '368', 'Connection': 'keep-alive', 'Server': 'gunicorn/19.9.0', 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Credentials': 'true')>

获取响应 https://www.httpbin.org/delay/5 response <ClientResponse(https://www.httpbin.org/delay/5) [200 OK]>
<CIMultiDictProxy('Date': 'Thu, 27 Jun 2024 17:39:13 GMT', 'Content-Type': 'application/json', 'Content-Length': '368', 'Connection': 'keep-alive', 'Server': 'gunicorn/19.9.0', 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Credentials': 'true')>

获取响应 https://www.httpbin.org/delay/5 response <ClientResponse(https://www.httpbin.org/delay/5) [200 OK]>
<CIMultiDictProxy('Date': 'Thu, 27 Jun 2024 17:39:13 GMT', 'Content-Type': 'application/json', 'Content-Length': '368', 'Connection': 'keep-alive', 'Server': 'gunicorn/19.9.0', 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Credentials': 'true')>

获取响应 https://www.httpbin.org/delay/5 response <ClientResponse(https://www.httpbin.org/delay/5) [200 OK]>
<CIMultiDictProxy('Date': 'Thu, 27 Jun 2024 17:39:13 GMT', 'Content-Type': 'application/json', 'Content-Length': '368', 'Connection': 'keep-alive', 'Server': 'gunicorn/19.9.0', 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Credentials': 'true')>

获取响应 https://www.httpbin.org/delay/5 response <ClientResponse(https://www.httpbin.org/delay/5) [200 OK]>
<CIMultiDictProxy('Date': 'Thu, 27 Jun 2024 17:39:13 GMT', 'Content-Type': 'application/json', 'Content-Length': '368', 'Connection': 'keep-alive', 'Server': 'gunicorn/19.9.0', 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Credentials': 'true')>

获取响应 https://www.httpbin.org/delay/5 response <ClientResponse(https://www.httpbin.org/delay/5) [200 OK]>
<CIMultiDictProxy('Date': 'Thu, 27 Jun 2024 17:39:13 GMT', 'Content-Type': 'application/json', 'Content-Length': '368', 'Connection': 'keep-alive', 'Server': 'gunicorn/19.9.0', 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Credentials': 'true')>

获取响应 https://www.httpbin.org/delay/5 response <ClientResponse(https://www.httpbin.org/delay/5) [200 OK]>
<CIMultiDictProxy('Date': 'Thu, 27 Jun 2024 17:39:13 GMT', 'Content-Type': 'application/json', 'Content-Length': '368', 'Connection': 'keep-alive', 'Server': 'gunicorn/19.9.0', 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Credentials': 'true')>

成本时间: 6.382705211639404

　　成功了！这次请求的耗时由69 秒变直接成了 6 秒，耗费时间减少了非常非常多。

　　代码里面使用了 await，后面跟了 get 方法，在执行这 10 个协程的时候，如果遇到了 await，那么就会将当前协程挂起，转而去执行其他的协程，直到其他的协程也挂起或执行完毕，再进行下一个协程的执行。

　　开始运行时，时间循环会运行第一个 task，针对第一个 task 来说，当执行到第一个 await 跟着的 get 方法时，它被挂起，但这个 get 方法第一步的执行是非阻塞的，挂起之后立马被唤醒，所以立即又进入执行，创建了 ClientSession 对象，接着遇到了第二个 await，调用了 session.get 请求方法，然后就被挂起了，由于请求需要耗时很久，所以一直没有被唤醒。

　　当第一个 task 被挂起了，那接下来该怎么办呢？事件循环会寻找当前未被挂起的协程继续执行，于是就转而执行第二个 task 了，也是一样的流程操作，直到执行了第十个 task 的 session.get 方法之后，全部的 task 都被挂起了。所有 task 都已经处于挂起状态，怎么办？只好等待了。5 秒之后，几个请求几乎同时都有了响应，然后几个 task 也被唤醒接着执行，输出请求结果，最后总耗时，6 秒！

　　怎么样？这就是异步操作的便捷之处，当遇到阻塞式操作时，任务被挂起，程序接着去执行其他的任务，而不是傻傻地等待，这样可以充分利用 CPU 时间，而不必把时间浪费在等待 IO 上。

　　有人会说，既然这样的话，在上面的例子中，在发出网络请求后，既然接下来的 5 秒都是在等待的，在 5 秒之内，CPU 可以处理的 task 数量远不止这些，那么岂不是我们放 10 个、20 个、50 个、100 个、1000 个 task 一起执行，最后得到所有结果的耗时不都是差不多的吗？因为这几个任务被挂起后都是一起等待的。

　　理论来说确实是这样的，不过有个前提，那就是服务器在同一时刻接受无限次请求都能保证正常返回结果，也就是服务器无限抗压，另外还要忽略 IO 传输时延，确实可以做到无限 task 一起执行且在预想时间内得到结果。但由于不同服务器处理的实现机制不同，可能某些服务器并不能承受这么高的并发，因此响应速度也会减慢。

　　在这里以百度为例，来测试下并发数量为 1、3、5、10、…、500 的情况下的耗时情况，代码如下：

import asyncio
import aiohttp
import time
 
 
def test(number):
   start = time.time()

   async def get(url):
       session = aiohttp.ClientSession()
       response = await session.get(url)
       await response.text()
       await session.close()
       return response

   async def request():
       url = 'https://www.baidu.com/'
       await get(url)

   tasks = [asyncio.ensure_future(request()) for _ in range(number)]
   loop = asyncio.get_event_loop()
   loop.run_until_complete(asyncio.wait(tasks))

   end = time.time()
   print('Number:', number, 'Cost time:', end - start)
 
for number in [1, 3, 5, 10, 15, 30, 50, 75, 100, 200, 500]:
   test(number)

运行结果如下：

Number: 1 Cost time: 0.2751643657684326
Number: 3 Cost time: 0.15510010719299316
Number: 5 Cost time: 0.4365847110748291
Number: 10 Cost time: 0.20238685607910156
Number: 15 Cost time: 0.20952081680297852
Number: 30 Cost time: 0.2889404296875
Number: 50 Cost time: 0.32387709617614746
Number: 75 Cost time: 0.5482113361358643
Number: 100 Cost time: 0.9615511894226074
Number: 200 Cost time: 1.6880125999450684
Number: 500 Cost time: 3.6295981407165527

　　可以看到，即使增加了并发数量，但在服务器能承受高并发的前提下，其爬取速度几乎不太受影响。

　　综上所述，使用了异步请求之后，几乎可以在相同的时间内实现成百上千倍次的网络请求，把这个运用在爬虫中，速度提升是非常可观的。

posted @ 2024-05-29 01:56 JJJhr 阅读(1) 评论(0) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

JJJhr'blog

协程的基本原理

协程的基本原理

实例引入

基础知识

阻塞

非阻塞

同步

异步

多进程

协程

协程的用法

准备工作

定义协程

绑定回调

多任务协程

协程实现

使用 aiohttp

公告