Python-异步之aiohttp

• 什么是 aiohttp？一个异步的 HTTP 客户端\服务端框架，基于 asyncio 的异步模块。可用于实现异步爬虫，更快于 requests 的同步爬虫。

• aiohttp 和 requests

  requests 版爬虫

  requests 同步方式连续 30 次简单爬取 http://httpbin.org 网站

• import requests
  from datetime import datetime
  
  
  def fetch(url):
      r = requests.get(url)
      print(r.text)
  
  start = datetime.now()
  
  for i in range(30):
      fetch('http://httpbin.org/get')
  
  end = datetime.now()
  
  print("requests版爬虫花费时间为：")
  print(end - start)

   

• 从爬取结果可以看出，同步爬取 30 次网站将花费 43 秒左右的时间，耗时非常长。

• aiohttp 版爬虫

  使用 aiohttp 和 asyncio 异步方式简单爬取 30 次网站

• import aiohttp
  import asyncio
  from datetime import datetime
  
  
  async def fetch(client):
      async with client.get('http://httpbin.org/get') as resp:
          assert resp.status == 200
          return await resp.text()
  
  
  async def main():
      async with aiohttp.ClientSession() as client:
          html = await fetch(client)
          print(html)
  
  loop = asyncio.get_event_loop()
  
  tasks = []
  for i in range(30):
      task = loop.create_task(main())
      tasks.append(task)
  
  start = datetime.now()
  
  loop.run_until_complete(main())
  
  end = datetime.now()
  
  print("aiohttp版爬虫花费时间为：")
  print(end - start)

   

• 从爬取时间可以看出，aiohttp 异步爬取网站只用了 0.5 秒左右的时间，比 requests 同步方式快了 80 倍左右，速度非常之快。

• 同一个 session

  aiohttp.ClientSession() 中封装了一个 session 的连接池，并且在默认情况下支持 keepalives，官方建议在程序中使用单个 ClientSession 对象，而不是像上面示例中的那样每次连接都创建一个 ClientSession 对象，除非在程序中遇到大量的不同的服务。

• 将上面的示例修改为：

• import aiohttp
  import asyncio
  from datetime import datetime
  
  
  async def fetch(client):
      print("打印 ClientSession 对象")
      print(client)
      async with client.get('http://httpbin.org/get') as resp:
          assert resp.status == 200
          return await resp.text()
  
  
  async def main():
      async with aiohttp.ClientSession() as client:
         tasks = []
         for i in range(30):
             tasks.append(asyncio.create_task(fetch(client)))
         await asyncio.wait(tasks)
  
  loop = asyncio.get_event_loop()
  
  start = datetime.now()
  
  loop.run_until_complete(main())
  
  end = datetime.now()
  print("aiohttp版爬虫花费时间为：")
  print(end - start)

   

• 示例结果

• # 重复30遍
  打印 ClientSession 对象
  <aiohttp.client.ClientSession object at 0x1094aff98>
  aiohttp版爬虫花费时间为：
  0:00:01.778045

   

• 从上面爬取的时间可以看出单个 ClientSession 对象比多个 ClientSession 对象多花了 3 倍时间。ClientSession 对象一直是同一个 0x1094aff98。

• 返回值

  Json 串

  在上面的示例中使用 response.text() 函数返回爬取到的内容，aiohttp 在处理 Json 返回值的时候，可以直接将字符串转换为 Json。

• async def fetch(client):
      async with client.get('http://httpbin.org/get') as resp:
          return await resp.json()

   

• 示例结果

• {'args': {}, 'headers': {'Accept': '*/*', 'Accept-Encoding': 'gzip, deflate', 'Host': 'httpbin.org', 'User-Agent': 'Python/3.7 aiohttp/3.6.2'}, 'origin': '49.80.42.33, 49.80.42.33', 'url': 'https://httpbin.org/get'}

   

• 当返回的 Json 串不是一个标准的 Json 时，resp.json() 函数可以传递一个函数对 json 进行预处理，如：resp.json(replace(a, b))，replace()函数表示 a 替换为 b。

• 字节流

  aiohttp 使用 response.read() 函数处理字节流，使用 with open() 方式保存文件或者图片

• async def fetch(client):
      async with client.get('http://httpbin.org/image/png') as resp:
          return await resp.read()
  
  
  async def main():
      async with aiohttp.ClientSession() as client:
          image = await fetch(client)
          with open("/Users/xxx/Desktop/image.png", 'wb') as f:
              f.write(image)

   

• response.read() 函数可以传递数字参数用于读取多少个字节，如：response.read(3)读取前 3 个字节。

• 参数

  aiohttp 可以使用 3 种方式在 URL 地址中传递参数

• async def fetch(client):
      params = [('a', 1), ('b', 2)]
      async with client.get('http://httpbin.org/get',params=params) as resp:
          return await resp.text()

   

• 示例 URL 地址

• http://httpbin.org/get?a=1&b=2
  async def fetch(client):
      params = {"a": 1,"b": 2}
      async with client.get('http://httpbin.org/get',params=params) as resp:
          return await resp.text()

   

• 示例 URL 地址

• http://httpbin.org/get?a=1&b=2
  async def fetch(client):
      async with client.get('http://httpbin.org/get',params='q=aiohttp+python&a=1') as resp:
          return await resp.text()

   

• 请求头

  aiohttp 在自定义请求头时，类似于向 URL 传递参数的方式

• async def fetch(client):
      headers = {'content-type': 'application/json', 'User-Agent': 'Python/3.7 aiohttp/3.7.2'}
      async with client.get('http://httpbin.org/get',headers=headers) as resp:
          return await resp.text()

   

• COOKIES

  cookies 是整个会话共用的，所以应该在初始化 ClientSession 对象时传递

• async def fetch(client):
      async with client.get('http://httpbin.org/get') as resp:
          return await resp.text()
  
  
  async def main():
      cookies = {'cookies': 'this is cookies'}
      async with aiohttp.ClientSession(cookies=cookies) as client:
          html = await fetch(client)
          print(html)

   

• POST 方式

  在前面的示例中都是以 GET 方式提交请求，下面用 POST 方式请求

• async def fetch(client):
      data = {'a': '1', 'b': '2'}
      async with client.post('http://httpbin.org/post', data = data) as resp:
          return await resp.text()

   

• 示例结果

• {
    "args": {},
    "data": "",
    "files": {},
    "form": {
      "a": "1",
      "b": "2"
    },
    "headers": {
      "Accept": "*/*",
      "Accept-Encoding": "gzip, deflate",
      "Content-Length": "7",
      "Content-Type": "application/x-www-form-urlencoded",
      "Host": "httpbin.org",
      "User-Agent": "Python/3.7 aiohttp/3.6.2"
    },
    "json": null,
    "origin": "49.80.42.33, 49.80.42.33",
    "url": "https://httpbin.org/post"
  }
  
  aiohttp版爬虫花费时间为：
  0:00:00.514402

   

• 超时

  在请求网站时，有时会遇到超时问题，aiohttp 中使用 timeout 参数设置，单位为秒数，aiohttp 默认超时时间为 5 分钟

• async def fetch(client):
      async with client.get('http://httpbin.org/get', timeout=60) as resp:
          return await resp.text()