一、背景

　　爬虫的本质就是一个socket客户端与服务端的通信过程，如果我们有多个url待爬取，采用串行的方式执行，只能等待爬取一个结束后才能继续下一个，效率会非常低。

　　注意：串行并不意味着抵消，如果串行的都是纯计算的任务，那么cpu的利用率仍然会很高，之所以爬虫程序的串行低效，是因为爬虫程序是明显的IO密集型程序。

　　那么该如何提高爬取性能呢？

二、同步、异步、回调机制

1、同步调用：即提交一个任务后就在原地等待任务结束，拿到任务的结果后再继续执行下一行代码，效率低下

import requestsdef get_page(url):    response=requests.get(url)    if response.status_code == 200:        return response.texturls=['https://www.baidu.com/','http://www.sina.com.cn/','https://www.python.org']for url in urls:    res=get_page(url) #调用一个任务，就在原地等待任务结束拿到结果后才继续往后执行    print(len(res))同步调用

2、简单的解决方案：多线程或多进程

#在服务器端使用多线程（或多进程）。多线程（或多进程）的目的是让每个连接都拥有独立的线程（或进程），这样任何一个连接的阻塞都不会影响其他的连接。

from multiprocessing import Processfrom threading import Threadimport requestsdef get_page(url):    response=requests.get(url)    if response.status_code == 200:        return response.textif __name__ == '__main__':    urls=['https://www.baidu.com/','http://www.sina.com.cn/','https://www.python.org']    for url in urls:        p=Process(target=get_page,args=(url,))        p.start()        # t=Thread(target=get_page,args=(url,))        # t.start()

该方案的问题是：

　　我们是无法无限制地开启多线程或多进程的，在遇到要同时响应成百上千个的连接请求，则无论多线程还是多进程都会严重占据系统资源，降低系统对外界响应效率，而且线程与进程半壶纱呢也更容易进入假死状态。

3、改进方案：线程池或进程池+异步调用：提交一个任务后并不会等待任务结束，而是接续下一行代码

　　很多人可能会考虑使用“线程池”或“连接池”，“线程池”旨在减少创建和销毁线程的频率，其维持一定合理数量的线程，并让空闲的线程重新承担新的执行任务。“连接池”维持连接的缓存池。尽量重用已有的连接、减少创建和关闭连接的频率。这两种技术都可以很好的降低系统开销，都被广泛应用很多大型系统，如websphere、tomcat和各种数据库等。

from concurrent.futures import ThreadPoolExecutor,ProcessPoolExecutorimport requestsdef get_page(url):    print('GET : %s' %url)    response=requests.get(url)    if response.status_code == 200:        return response.textif __name__ == '__main__':    p=ProcessPoolExecutor()    # p=ThreadPoolExecutor()    urls=['https://www.baidu.com/','http://www.sina.com.cn/','https://www.python.org']    for url in urls:        p.submit(get_page,url)    p.shutdown(wait=True)

from concurrent.futures import ThreadPoolExecutor,ProcessPoolExecutorimport requestsimport osdef get_page(url):    print('%s GET : %s' %(os.getpid(),url))    response=requests.get(url)    if response.status_code == 200:        return response.textdef parse_page(res):    res=res.result()    print('%s parsing' %os.getpid())if __name__ == '__main__':    p=ProcessPoolExecutor()    # p=ThreadPoolExecutor()    urls=['https://www.baidu.com/','http://www.sina.com.cn/','https://www.python.org']    for url in urls:        p.submit(get_page,url).add_done_callback(parse_page)    p.shutdown(wait=True)异步调用+回调机制

改进后方案其实也存在问题：

　　“线程池”和“连接池”技术也只是在一定程度上缓解了频繁调用IO接口带来的资源占用。而且，所谓“池”始终有其上线，当请求大大超过上限是，“池”构成的系统对外界的英雄并不比没有池的时候效果好多少。所以使用“池”必须考虑其面临的响应规模，并根据响应规模调整“池”的大小。

三、高性能

　　上述无论哪种解决方案其实都没有解决一个性能相关的问题：IO阻塞，无论是多进程还是多线程，在遇到IO阻塞时都会被操作系统强行剥夺走CPU的执行权限，程序的执行效率因此就降低了下来。

　　解决这一问题的关键在于，我们自己从应用程序级别检测IO阻塞然后切换到我们自己程序的其他任务执行，这样把我们程序的IO降到最低，我们的程序处于就绪态就会增多，以此来迷惑操作系统，操作系统便以为我们的程序是IO比较少的程序。从而会尽可能多的分配CPU给我们，这样也就达到了提升程序执行效率的目的。

　　1.在python3.3之后新增了asyncio模块，可以帮我们检测IO（只能是网络IO），实现应用程序级别的切换

import asyncio@asyncio.coroutinedef task(task_id,senconds):    print('%s is start' %task_id)    yield from asyncio.sleep(senconds) #只能检测网络IO,检测到IO后切换到其他任务执行    print('%s is end' %task_id)tasks=[task(task_id=1,senconds=3),task(task_id=2,senconds=4)]loop=asyncio.get_event_loop()loop.run_until_complete(asyncio.gather(*tasks))loop.close()

　　2.但asyncio模块只能发tcp级别的请求，不能发http协议，因此，在我们需要发送http请求的时候，需要我们自定义http报头

#我们爬取一个网页的过程，以https://www.python.org/doc/为例，将关键步骤列举如下#步骤一：向www.python.org这台主机发送tcp三次握手，是IO阻塞操作#步骤二：封装http协议的报头#步骤三：发送http协议的请求包，是IO阻塞操作#步骤四：接收http协议的响应包，是IO阻塞操作import asyncio@asyncio.coroutinedef get_page(host,port=80,url='/'):    #步骤一（IO阻塞）：发起tcp链接，是阻塞操作，因此需要yield from    recv,send=yield from asyncio.open_connection(host,port)    #步骤二：封装http协议的报头，因为asyncio模块只能封装并发送tcp包，因此这一步需要我们自己封装http协议的包    requset_headers="""GET %s HTTP/1.0\r\nHost: %s\r\n\r\n""" % (url, host,)    # requset_headers="""POST %s HTTP/1.0\r\nHost: %s\r\n\r\nname=egon&password=123""" % (url, host,)    requset_headers=requset_headers.encode('utf-8')    #步骤三（IO阻塞）：发送http请求包    send.write(requset_headers)    yield from send.drain()    #步骤四（IO阻塞）：接收http协议的响应包    text=yield from recv.read()    #其他处理    print(host,url,text)    send.close()    print('-===>')    return 1tasks=[get_page(host='www.python.org',url='/doc'),get_page(host='www.cnblogs.com',url='linhaifeng'),get_page(host='www.openstack.org')]loop=asyncio.get_event_loop()results=loop.run_until_complete(asyncio.gather(*tasks))loop.close()print('=====>',results) #[1, 1, 1]

　　3.由于自定义http有点麻烦，浴室有了aiohttp模块，专门帮我们封装http报头，然后我们还需要用asyncio检测IO实现切换

import aiohttpimport asyncio@asyncio.coroutinedef get_page(url):    print('GET:%s' %url)    response=yield from aiohttp.request('GET',url)    data=yield from response.read()    print(url,data)    response.close()    return 1tasks=[    get_page('https://www.python.org/doc'),    get_page('https://www.cnblogs.com/linhaifeng'),    get_page('https://www.openstack.org')]loop=asyncio.get_event_loop()results=loop.run_until_complete(asyncio.gather(*tasks))loop.close()print('=====>',results) #[1, 1, 1]

　　4.此外，还可以将requests.get函数传给asyncio，就能够被检测了

import requestsimport asyncio@asyncio.coroutinedef get_page(func,*args):    print('GET:%s' %args[0])    loog=asyncio.get_event_loop()    furture=loop.run_in_executor(None,func,*args)    response=yield from furture    print(response.url,len(response.text))    return 1tasks=[    get_page(requests.get,'https://www.python.org/doc'),    get_page(requests.get,'https://www.cnblogs.com/linhaifeng'),    get_page(requests.get,'https://www.openstack.org')]loop=asyncio.get_event_loop()results=loop.run_until_complete(asyncio.gather(*tasks))loop.close()print('=====>',results) #[1, 1, 1]asyncio+requests模块的方法

　　5.还有之前在协程时介绍的gevent模块

from gevent import monkey;monkey.patch_all()import geventimport requestsdef get_page(url):    print('GET:%s' %url)    response=requests.get(url)    print(url,len(response.text))    return 1# g1=gevent.spawn(get_page,'https://www.python.org/doc')# g2=gevent.spawn(get_page,'https://www.cnblogs.com/linhaifeng')# g3=gevent.spawn(get_page,'https://www.openstack.org')# gevent.joinall([g1,g2,g3,])# print(g1.value,g2.value,g3.value) #拿到返回值#协程池from gevent.pool import Poolpool=Pool(2)g1=pool.spawn(get_page,'https://www.python.org/doc')g2=pool.spawn(get_page,'https://www.cnblogs.com/linhaifeng')g3=pool.spawn(get_page,'https://www.openstack.org')gevent.joinall([g1,g2,g3,])print(g1.value,g2.value,g3.value) #拿到返回值gevent+requests

　　6.封装了gevent+requests模块的grequests模块

#pip3 install grequestsimport grequestsrequest_list=[    grequests.get('https://wwww.xxxx.org/doc1'),    grequests.get('https://www.cnblogs.com/linhaifeng'),    grequests.get('https://www.openstack.org')]##### 执行并获取响应列表 ###### response_list = grequests.map(request_list)# print(response_list)##### 执行并获取响应列表（处理异常） #####def exception_handler(request, exception):    # print(request,exception)    print("%s Request failed" %request.url)response_list = grequests.map(request_list, exception_handler=exception_handler)print(response_list)grequests

　　7.twisted：是一个网络框架，其中一个功能是发送异步请求，检测IO并自动切换

'''#问题一：error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": http://landinghub.visualstudio.com/visual-cpp-build-toolshttps://www.lfd.uci.edu/~gohlke/pythonlibs/#twistedpip3 install C:\Users\Administrator\Downloads\Twisted-17.9.0-cp36-cp36m-win_amd64.whlpip3 install twisted#问题二：ModuleNotFoundError: No module named 'win32api'https://sourceforge.net/projects/pywin32/files/pywin32/#问题三：opensslpip3 install pyopenssl'''#twisted基本用法from twisted.web.client import getPage,deferfrom twisted.internet import reactordef all_done(arg):    # print(arg)    reactor.stop()def callback(res):    print(res)    return 1defer_list=[]urls=[    'http://www.baidu.com',    'http://www.bing.com',    'https://www.python.org',]for url in urls:    obj=getPage(url.encode('utf=-8'),)    obj.addCallback(callback)    defer_list.append(obj)defer.DeferredList(defer_list).addBoth(all_done)reactor.run()#twisted的getPage的详细用法from twisted.internet import reactorfrom twisted.web.client import getPageimport urllib.parsedef one_done(arg):    print(arg)    reactor.stop()post_data = urllib.parse.urlencode({
    'check_data': 'adf'})post_data = bytes(post_data, encoding='utf8')headers = {b'Content-Type': b'application/x-www-form-urlencoded'}response = getPage(bytes('http://dig.chouti.com/login', encoding='utf8'),                   method=bytes('POST', encoding='utf8'),                   postdata=post_data,                   cookies={},                   headers=headers)response.addBoth(one_done)reactor.run()twisted的用法

　　8.tornado

from tornado.httpclient import AsyncHTTPClientfrom tornado.httpclient import HTTPRequestfrom tornado import ioloopdef handle_response(response):    """    处理返回值内容（需要维护计数器，来停止IO循环），调用 ioloop.IOLoop.current().stop()    :param response:     :return:     """    if response.error:        print("Error:", response.error)    else:        print(response.body)def func():    url_list = [        'http://www.baidu.com',        'http://www.bing.com',    ]    for url in url_list:        print(url)        http_client = AsyncHTTPClient()        http_client.fetch(HTTPRequest(url), handle_response)ioloop.IOLoop.current().add_callback(func)ioloop.IOLoop.current().start()Tornado