Python爬虫加速神器的小试
大名鼎鼎的aiohttp，相信如果你学习Python或者爬虫的时候，肯定听说过这个东西。没听过也不要紧，今天看完文章，只要记住，aiohttp这个东西，在写爬虫的时候，很牛逼就行了。
aiohttp 就是一个用 asyncio实现的 HTTP client/server。 你可以通过它来简单实现一个具有异步处理功能的 clients 和 servers。 aiohttp同时还支持 Server WebSockets 和 Client WebSockets，让你使用起来更加简单。
今天，皮爷就带你来体验一下，这个“爬虫加速器”。
0x00 我们的爬虫需求
皮爷最近在做一个项目，就是用微信小程序追美剧的项目，那么首先，我们得需要有一个所有美剧的来源，恰巧，下面这个排行榜就有我们所有需要的信息：
http://www.ttmeiju.vip/index.php/summary/index/p/1.html
初级要求
我们很简单，就是需要从【第一页】：
http://www.ttmeiju.vip/index.php/summary/index/p/1.html
一直爬到最后一页【第三十五页】：
http://www.ttmeiju.vip/index.php/summary/index/p/35.html
中级要求
由于排行榜页面没有美剧的【季】信息，这个必须进入详情页来做，所以，中级要求就是针对每一条美剧，进入详情页，从里面爬取出来当前美剧的【季】信息。
这个要求不难吧？就是一级页面变换 page number 的数值来爬取信息。就算要爬取【季】信息，我们的爬虫深度也就才两级。
所以，这个需求不难。而且网页都是静态资源，一般简单的爬虫程序就能hou住。
0x01 撸码前的整理
这一步，我们需要想想通过什么样的方法能够实现上面的需求。
熟悉皮爷的童鞋都知道，皮爷之前的爬虫程序主要用 Scrapy 这个框架。为啥主要用这个？主要这个是一个框架。框架的意思就是写起来简单。何为简单？你只需要专注写爬虫的相关逻辑部分就好，不需要管理程序的生命周期，代码控制之类的问题，因为框架都给你整理好了。
那么，我们的需求就可以用两种做法来搞：
用 Scrapy 来写。自己写爬虫，但是要用到 aiohttp 的东西。下面皮爷就简单为大家来说一下他们是怎么实现的，以及最后对比结果。
0x02 Scrapy撸发撸起来
scrapy的写法，皮爷之前写过很多遍了，具体的教学文章，可以参考皮爷之前写的：
基于云服务的网站种子采集器，还能发送到邮箱，你不来考虑一下？
这里，我们就直接开始说具体的实现代码了。代码实现的就是从1页爬取到35页面，先不考虑“两层爬取”的数据。
class TtmjspiderSpider(scrapy.Spider):name = '皮爷spider' root_url = "http://www.ttmeiju.vip" def start_requests(self): start_url = "http://www.ttmeiju.vip/index.php/summary/index/p/1.html" yield Request(url=start_url, callback=self.parse_page, dont_filter=True, meta={"cur_page": 1, "max_page_num": -1}) def parse_page(self, response):content = response.body soup = BeautifulSoup(content, "html.parser")cur_page = response.meta["cur_page"] cur_url = response.urlmax_page_num = response.meta["max_page_num"] # 第一页找top3的标签rank_top_3_div = soup.find_all(name="div", attrs={"class": "ranktop3"}) for item in rank_top_3_div: link_a = item.find_all(name="a")[0] tv_url = self.root_url + link_a["href"] tv_name = link_a.text tv_rank_num = item.find_all(name="div", attrs={"class": "ranknum"})[0].text play_info_div = item.find_all(name="div", attrs={"class": "mjinfo"}) play_info_one = play_info_div[0].text play_info_two = play_info_div[1].text tv_category = play_info_one.split("/")[0].strip() tv_status = play_info_one.split("/")[1].strip()tv_update_day = play_info_one.split("/")[2].split("：")[-1].strip() temp_result = re.findall("\d{4}-\d{2}-\d{2}", play_info_two) if len(temp_result) != 0:tv_return_date = temp_result[0] else: tv_return_date = "暂无" # 构建 itemtv_item = TtmjTvPlayItem() tv_item["tv_play_name"] = tv_nametv_item["tv_play_rank"] = int(tv_rank_num) tv_item["tv_play_category"] = tv_category tv_item["tv_play_state"] = tv_statustv_item["tv_play_update_day"] = tv_update_daytv_item["tv_play_return_date"] = tv_return_date tv_item["tv_play_url"] = tv_url tv_item["tv_play_cur_season"] = 0 yield tv_item # 正常信息列表content_div = soup.find_all(name="tr", attrs={"class": re.compile(r"Scontent")}) for item in content_div: td_list = item.find_all(name="td") tv_rank_num = td_list[0].text link_a = td_list[1].find(name="a") tv_url = self.root_url + link_a["href"] tv_name = link_a.text tv_category = td_list[2].text.strip() tv_status = td_list[3].text.strip()tv_update_day = td_list[4].text.strip() tv_return_date = td_list[5].text.strip()tv_item = TtmjTvPlayItem() tv_item["tv_play_name"] = tv_nametv_item["tv_play_rank"] = int(tv_rank_num) tv_item["tv_play_category"] = tv_category tv_item["tv_play_state"] = tv_statustv_item["tv_play_update_day"] = tv_update_daytv_item["tv_play_return_date"] = tv_return_date tv_item["tv_play_url"] = tv_url tv_item["tv_play_cur_season"] = 0 yield tv_item next_page_ul = soup.find_all(name="ul", attrs={"class": "pagination"}) if len(next_page_ul) != 0: last_page_a = next_page_ul[0].find_all(name="a", attrs={"class": "end"}) if len(last_page_a) != 0 and max_page_num == -1: max_page_num = last_page_a[0].text if int(cur_page) < int(max_page_num):next_page_num = int(cur_page) + 1 else: logging.info("ALl finished") returnnext_page_url = cur_url[:-(len(cur_url.split("/")[-1]))] + str(next_page_num) + ".html" yield Request(url=next_page_url, callback=self.parse_page, dont_filter=True, meta={"cur_page": next_page_num, "max_page_num": max_page_num})
代码简单说一下，通过 【Chrome】--【检查】页面，看到我们要找的列表信息标签。
然后，通过 BeautifulSoup 来解析找到相对应的文字，并且解析成我们想要得到的 Scrapy Item ，最后在 pipeline 里面做存入数据库的操作。
那我们接下来就运行一下这个 Scrapy 框架写的爬取 35 页信息的爬虫，看看效果如何。
数据库里面看到已经存入了数据：
从结果里面看到，用 Scrapy ，没有修改 setting.py 文件，爬取 35 页数据，然后生成 Scrap.Item ，总共用了 2 分 10 秒。成绩还可以哈。
0x03 aiohttp撸法撸起来
这里，皮爷用网上的一张图来给大家看一下 aiohttp 的流程：
其实 aiohttp 就是讲事件进入一个队列，然后挨个调用执行，这些任务有个共同的特点，就是他们需要等待操作。所以，在等待的过程中，程序会调起其他任务接着执行。
我们来看代码：
sem = asyncio.Semaphore(80) # 信号量，控制协程数，防止爬的过快client = pymongo.MongoClient("mongodb://xx.xx.xx.xx/", xxx)db = client["xxx"]ttmj_collection = db["xxx"]result_dict = list()def generateRequestList(url, start, end):page_list = list() for i in range(start, end): genUrl = url.replace("**", str(i)) page_list.append(genUrl) return page_listasync def grab_page(url): with(await sem): async with aiohttp.ClientSession() as session: content = await fetch(session, url, 0)async def fetch(session, url, level, tv_item=None): async with session.get(url) as req: content = await req.text() soup = BeautifulSoup(content, "html.parser") root_url = "http://www.ttmeiju.vip"cur_time_string = datetime.datetime.now().strftime('%Y-%m-%d')rank_top_3_div = soup.find_all(name="div", attrs={"class": "ranktop3"}) for item in rank_top_3_div: link_a = item.find_all(name="a")[0] tv_url = root_url + link_a["href"] tv_name = link_a.text tv_rank_num = item.find_all(name="div", attrs={"class": "ranknum"})[0].text play_info_div = item.find_all(name="div", attrs={"class": "mjinfo"}) play_info_one = play_info_div[0].text play_info_two = play_info_div[1].text tv_category = play_info_one.split("/")[0].strip() tv_status = play_info_one.split("/")[1].strip()tv_update_day = play_info_one.split("/")[2].split("：")[-1].strip() temp_result = re.findall("\d{4}-\d{2}-\d{2}", play_info_two) if len(temp_result) != 0:tv_return_date = temp_result[0] else: tv_return_date = "暂无" tv_item = TtmjTvPlayItem() tv_item.tv_play_name = tv_name tv_item.tv_play_rank = int(tv_rank_num) tv_item.tv_play_category = tv_categorytv_item.tv_play_state = tv_status tv_item.tv_play_update_day = tv_update_day tv_item.tv_play_return_date = tv_return_datetv_item.tv_play_update_time = cur_time_string tv_item.tv_play_url = tv_urltv_item_dict = dict( (name, getattr(tv_item, name)) for name in dir(tv_item) if not name.startswith('__')) # print("complete Item: %s" % (tv_item.tv_play_name)) result_dict.append(tv_item_dict) # await fetch(session, tv_url, 1, tv_item) content_div = soup.find_all(name="tr", attrs={"class": re.compile(r"Scontent")}) for item in content_div: td_list = item.find_all(name="td") tv_rank_num = td_list[0].text link_a = td_list[1].find(name="a") tv_url = root_url + link_a["href"] tv_name = link_a.text tv_category = td_list[2].text.strip() tv_status = td_list[3].text.strip()tv_update_day = td_list[4].text.strip() tv_return_date = td_list[5].text.strip()tv_item = TtmjTvPlayItem() tv_item.tv_play_name = tv_nametv_item.tv_play_name_en = tv_url.split("/")[-1].replace(".", " ")[:-5]tv_item.tv_play_name_en_dot = tv_url.split("/")[-1][:-5]tv_item.tv_play_name_ch = tv_name.split(" ")[0] tv_item.tv_play_rank = int(tv_rank_num) tv_item.tv_play_category = tv_categorytv_item.tv_play_state = tv_status tv_item.tv_play_update_day = tv_update_day tv_item.tv_play_return_date = tv_return_datetv_item.tv_play_url = tv_url tv_item.tv_play_cur_season = 0 tv_item_dict = dict( (name, getattr(tv_item, name)) for name in dir(tv_item) if not name.startswith('__')) print("complete Item: %s" % (tv_item.tv_play_name))result_dict.append(tv_item_dict)def main_grab(page_list): loop = asyncio.get_event_loop() # 获取事件循环 tasks = [grab_page(url) for url in page_list] # 把所有任务放到一个列表中loop.run_until_complete(asyncio.wait(tasks)) # 激活协程 loop.close() # 关闭事件循环def writeToDb(): for tv_item in result_dict:ttmj_collection.insert(tv_item) print("insert item: " + tv_item["tv_play_name"]) client.close()if __name__ == '__main__': start_url = "http://www.ttmeiju.vip/index.php/summary/index/p/**.html" page_list = generateRequestList(start_url, 1, 36) start = time.time()main_grab(page_list) print('爬取总耗时：%.5f秒' % float(time.time() - start))writeToDb() print('总耗时：%.5f秒' % float(time.time() - start))
aiohttp的关键写法，就是在开头，得声明信号量，这里皮爷申请的是 80 个。
接着就是 main_grab 方法中，开始调用 aiohttp。 aiohttp的方法，都需要以
async def
开头来定义，其中，需要等待的地方，可以用
await
来写。皮爷的这个代码，你完全可以照猫画虎的写出自己的逻辑。如果还有什么不懂的，自己百度或者谷歌搜索 aiohttp 就可以，网上例子一大堆，都很简单，看了也没啥用。还不如实际的撸个项目，加深体验。
我们来看结果，爬取35个网页总共用了 2 秒多：
你没看错，单纯的爬取网页，就 2 秒。
数据库中是:
插入数据库，皮爷是一条一条插入的，所以这个耗时很严重，导致整个工程运行了 35 秒：
从之前的 130 秒，到现在的 35 秒，你说速度是不是快了很多？？？你说快不快？是不是比刘翔还快？？接下来快看骚操作怎么搞。
0x04 骚操作福利
骚操作，就要骚起来。你看皮爷用 aiohttp 写的Python运行起来是不是很给力？不但爬取数据，还能将数据结果存储到服务器里面。你有没有想过，这个代码是不是可以放到服务器上面让服务器自己跑？？？
答案当然是：可以的！！！
没错，你以后写的 py 文件，均可以放到服务器上面自动执行。不再需要像现在这样，自己写了代码，在ide里面跑一边之后，就荒废了。
那么问题来了，首先，你是不是得有个服务器啊？皮爷不亏待你们，特意给你们准备了优惠券，有没有的都可以来领取。
阿里云部分： 【阿里云新人1888元云产品通用代金券】: https://promotion.aliyun.com/ntms/yunparter/invite.html?userCode=nrkmbo9q【阿里云爆款云主机，2折优惠券】:https://promotion.aliyun.com/ntms/act/qwbk.html?userCode=nrkmbo9q【阿里云企业级服务器2折优惠券】：https://promotion.aliyun.com/ntms/act/enterprise-discount.html?userCode=nrkmbo9q腾讯云：【新客户无门槛领取总价值高达2775元代金券，每种代金券限量500张，先到先得】:https://cloud.tencent.com/redirect.php?redirect=1025&cps_key=b351b2fc50b15866ff9d19b58a5df0f5&from=console【腾讯云服务器、云数据库特惠，3折优惠券】:https://cloud.tencent.com/redirect.php?redirect=1014&cps_key=b351b2fc50b15866ff9d19b58a5df0f5&from=console
有了服务器，那么将本地文件上传到服务器上面，只需要用
scp
命令就好:
$ scp <本地文件路径> <服务器角色>@<服务器ip地址>:<服务器文件路径>
上传代码参考文章
那么怎么定是执行呢？服务器一般都是 linux 系统，linux 系统自带一个命令叫
crontab
，用这个命令就可以定制执行了。
这一套组合拳打下来，你说骚不骚？
0x05 最后总结
爬虫用 aiohttp 来写还是用 Scrapy 来写，自己定夺，他们各有各的好处。
Scrapy框架完整，结果清晰；
aiohttp 速度更快，非常灵活。
所以，想用什么写爬虫，要根据你自己的需求来定。但是皮爷最近搞的东西，打算用 aiohttp 来自己做一套框架，来专门为自己使用。
