by 某某白米饭
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。
安装
pip install aiohttp
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)
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 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)
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 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()
示例URL地址
http://httpbin.org/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://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
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://httpbin.org/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
示例代码:Python-100-day
微信扫描二维码,关注我的公众号
(点击了解: 关于程序员的专属导航!)