|
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。 安装pip install aiohttpaiohttp 和 requestsrequests 版爬虫requests 同步方式连续 30 次简单爬取 import requestsfrom datetime import datetimedef fetch(url): r = requests.get(url) print(r.text)start = datetime.now()for i in range(30): fetch('http:///get')end = datetime.now()print("requests版爬虫花费时间为：")print(end - start)示例结果 # 打印网站返回的内容....requests版爬虫花费时间为：0:00:43.248761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 aiohttpimport asynciofrom datetime import datetimeasync def fetch(client): async with client.get('http:///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)示例结果 # 打印网站返回的内容....aiohttp版爬虫花费时间为：0:00:00.539416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 sessionaiohttp.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 aiohttpimport asynciofrom datetime import datetimeasync def fetch(client): print("打印 ClientSession 对象") print(client) async with client.get('http:///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:///get') as resp: return await resp.json()示例结果 {'args': {}, 'headers': {'Accept': '*/*', 'Accept-Encoding': 'gzip, deflate', 'Host': '', 'User-Agent': 'Python/3.7 aiohttp/3.6.2'}, 'origin': '49.80.42.33, 49.80.42.33', 'url': 'https:///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:///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:///get',params=params) as resp: return await resp.text()示例 URL 地址 http:///get?a=1&b=2async def fetch(client): params = {"a": 1,"b": 2} async with client.get('http:///get',params=params) as resp: return await resp.text()示例 URL 地址 http:///get?a=1&b=2async def fetch(client): async with client.get('http:///get',params='q=aiohttp+python&a=1') as resp: return await resp.text()示例 URL 地址 http:///get?q=aiohttp+python&a=1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:///get',headers=headers) as resp: return await resp.text()COOKIEScookies 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:///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:///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": "", "User-Agent": "Python/3.7 aiohttp/3.6.2" }, "json": null, "origin": "49.80.42.33, 49.80.42.33", "url": "https:///post"}aiohttp版爬虫花费时间为：0:00:00.514402在示例结果中可以看到 form 中的内容就是模拟 POST 方式提交的内容 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:///get', timeout=60) as resp: return await resp.text()总结aiohttp 以异步的方式爬取网站耗时远小于 requests 同步方式，这里列举了一些 aiohttp 常用功能，希望对大家有所帮助。 代码地址
|
|
|
