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()
