爬虫之单线程+多任务异步协程

相关文章推荐

睿智的青椒 · 如何升级十年前的MacBook笔记本电脑|m ...· 1 月前 ·

爱搭讪的烤土司 · 永仁县概况-楚雄彝族自治州人民政府· 5 月前 ·

胡子拉碴的绿豆 · 她是“中国第一裸模”，靠炒作一脱爆红，今33 ...· 6 月前 ·

腼腆的蚂蚁 · 全能篮球漫画｜官方在线漫画全集-快看漫画· 1 年前 ·

腹黑的键盘 · 申万宏源证券官方新版本-安卓iOS版下载-应 ...· 1 年前 ·

协程：协程对象。可以使用async关键字修饰一个函数的定义（特殊的函数），当该特殊的函数被调用后，就可以返回一个协程对象。当函数调用后，函数内部的实现语句不会被立即执行

协程 == 特殊函数

本质上就是对协程对象的进一步封装

任务对象 == 特殊函数

给任务对象绑定一个回调

add_done_callback(callback)

保证特殊函数内部不可以出现不支持异步模块对应的代码

在特殊函数内部遇到阻塞操作必须使用await关键字对其进行手动挂起

如果想要将多个任务对象注册到事件循环中，必须将多个任务对象封装到一个列表中，然后将列表注册（必须使用wait方法将列表中的任务对象进行挂起）到事件循环中

aiohttp模块

是一个支持异步的网络请求模块

pip install aiohttp

selenium模块的使用

概念：就是一个基于浏览器自动化的模块

elenium和爬虫之间的关联

很便捷的捕获动态加载的数据 - 可见即可得

实现模拟登陆

环境的安装：

pip install selenium

下载一个浏览器的驱动程序

谷歌驱动下载：http://chromedriver.storage.googleapis.com/index.html

驱动程序和浏览器版本的映射关系：http://blog.csdn.net/huilan_same/article/details/51896672

# #根据协程对象封装了一个任务对象 task = asyncio.ensure_future(c) print (task)
#<Task pending coro=<test() running at H:/autoclient/test/test.py:6>>

创建事件并执行

#事件循环对象
async def request(url):
    print('正在请求：',url)
    time.sleep(2)
    print('请求完毕！',url)
c1 = request('www.1.com')
task_A = asyncio.ensure_future(c1)
#创建一个事件循环对象
loop = asyncio.get_event_loop()
#将任务对象注册到该对象中并且启动事件循环
loop.run_until_complete(task_A)

任务对象的绑定回调

import asyncio
import time
async def request(url):
    print('正在请求：',url)
    time.sleep(2)
    print('请求完毕！',url)
    return url
#定义一个任务对象的回调函数
#task参数表示的就是该函数被绑定的那个任务对象
def task_callback(task):
    print('i am task_callback()')
    print(task.result())
    #task.result()返回的就是任务对象对应的特殊函数内部的返回值
c = request('www.xxx.com')
task = asyncio.ensure_future(c)
task.add_done_callback(task_callback)
loop = asyncio.get_event_loop()
loop.run_until_complete(task)

多任务异步协程：

import asyncio
import time
start = time.time()
#在特殊函数内部不可以出现不支持异步模块相关的代码
async def request(url):
    print('正在请求：',url)
    # time.sleep(2)#time模块是不支持异步
    await asyncio.sleep(2)  #阻塞操作必须使用await关键字进行挂起
    print('请求完毕！',url)
    return url
urls = [
    'www.1.com',
    'www.2.com',
    'www.3.com'
def task_callback(task):
    print(task.result())
tasks = [] #多任务列表：存放多个任务对象
for url in urls:
    c = request(url)
    task = asyncio.ensure_future(c)
    task.add_done_callback(task_callback)
    tasks.append(task)  #将多个任务对象装在到一个任务列表中
loop = asyncio.get_event_loop()
#多任务注册
#wait就是将任务列表中的任务对象进行挂起
loop.run_until_complete(asyncio.wait(tasks))
print(time.time()-start)

多任务异步爬虫测试：一般开500个协程

flask代码：

from flask import Flask
import time
app = Flask(__name__)
@app.route('/bobo')
def index_bobo():
    time.sleep(2)
    return 'Hello bobo'
@app.route('/jay')
def index_jay():
    time.sleep(2)
    return 'Hello jay'
@app.route('/tom')
def index_tom():
    time.sleep(2)
    return 'Hello tom'
if __name__ == '__main__':
    app.run(threaded=True)

爬虫测试代码：

import asyncio
import time
import requests
start = time.time()
#在特殊函数内部不可以出现不支持异步模块相关的代码
async def request(url):
   print('正在请求：',url)
   response = requests.get(url)
   return response.text
urls = [
    'http://127.0.0.1:5000/bobo',
    'http://127.0.0.1:5000/tom',
    'http://127.0.0.1:5000/jay'
def parse(task):
    page_text = task.result()
    print(page_text+',请求到的数据！！！')
tasks = []
for url in urls:
    c = request(url)
    task = asyncio.ensure_future(c)
    task.add_done_callback(parse)
    tasks.append(task)
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))
print(time.time()-start)

aiohttp的使用：

mport asyncio
import time
import aiohttp
start = time.time()
#在特殊函数内部不可以出现不支持异步模块相关的代码
#简单的基本架构：
# async def request(url):
#    with aiohttp.ClientSession() as s:
#        #s.get/post和requests中的get/post用法几乎一样：url，headers，data/prames
#        #在s.get中如果使用代理操作：proxy="http://ip：port"
#        with s.get(url) as response:
#            #获取字符串形式的响应数据：response.text()
#            #获取byte类型的：response.read()
#            page_text = response.text()
#            return page_text
#在当前架构的基础上补充细节即可
    #细节1：在每一个with前加上async关键字
    #细节2：在get方法前和response.text()前加上await关键字进行手动挂起操作
async def request(url):
   async with aiohttp.ClientSession() as s:
       #s.get/post和requests中的get/post用法几乎一样：url，headers，data/prames
       #在s.get中如果使用代理操作：proxy="http://ip：port"
       async with await s.get(url) as response:
           #获取字符串形式的响应数据：response.text()
           #获取byte类型的：response.read()
           page_text = await response.text()
           return page_text
# urls = [
#     'http://127.0.0.1:5000/bobo',
#     'http://127.0.0.1:5000/tom',
#     'http://127.0.0.1:5000/jay',
#     'http://127.0.0.1:5000/bobo',
#     'http://127.0.0.1:5000/tom',
#     'http://127.0.0.1:5000/jay',
#     'http://127.0.0.1:5000/bobo',
#     'http://127.0.0.1:5000/tom',
#     'http://127.0.0.1:5000/jay',
urls = []
for i in range(500):
    urls.append('http://127.0.0.1:5000/bobo')
def parse(task):
    page_text = task.result()
    print(page_text+',请求到的数据！！！')
tasks = []
for url in urls:
    c = request(url)
    task = asyncio.ensure_future(c)
    task.add_done_callback(parse)
    tasks.append(task)
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))
print(time.time()-start)

import aiohttp
import asyncio
from lxml import etree
all_titles = []
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
async def request(url):
    async with aiohttp.ClientSession() as s:
        async with await s.get(url,headers=headers) as response:
            page_text = await response.text()
            return page_text
urls = []
url = 'http://wz.sun0769.com/index.php/question/questionType?type=4&page=%d'
for page in range(100):
    u_page = page * 30
    new_url = format(url%u_page)
    urls.append(new_url)
tasks = []
def parse(task):
    page_text = task.result()
    page_text = page_text.encode('gb2312').decode('gbk')
    tree = etree.HTML(page_text)
    tr_list = tree.xpath('//*[@id="morelist"]/div/table[2]//tr/td/table//tr')
    for tr in tr_list:
        title = tr.xpath('./td[2]/a[2]/text()')[0]
        print(title)
        all_titles.append(title)
for url in urls:
    c = request(url)
    task = asyncio.ensure_future(c)
    task.add_done_callback(parse)
    tasks.append(task)
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))

selenim演示：

from selenium import webdriver
from time import sleep
# 后面是你的浏览器驱动位置，记得前面加r'','r'是防止字符转义的
driver = webdriver.Chrome(r'chromedriver.exe')
# 用get打开百度页面
driver.get("http://www.baidu.com")
# 查找页面的“设置”选项，并进行点击
driver.find_elements_by_link_text('设置')[0].click()
sleep(2)
# # 打开设置后找到“搜索设置”选项，设置为每页显示50条
driver.find_elements_by_link_text('搜索设置')[0].click()
sleep(2)
# 选中每页显示50条
m = driver.find_element_by_id('nr')
sleep(2)
m.find_element_by_xpath('//*[@id="nr"]/option[3]').click()
m.find_element_by_xpath('.//option[3]').click()
sleep(2)
# 点击保存设置
driver.find_elements_by_class_name("prefpanelgo")[0].click()
sleep(2)
# 处理弹出的警告页面   确定accept() 和 取消dismiss()
driver.switch_to_alert().accept()
sleep(2)
# 找到百度的输入框，并输入 美女
driver.find_element_by_id('kw').send_keys('美女')
sleep(2)
# 点击搜索按钮
driver.find_element_by_id('su').click()
sleep(2)
# 在打开的页面中找到“Selenium - 开源中国社区”，并打开这个页面
driver.find_elements_by_link_text('美女_百度图片')[0].click()
sleep(3)
# 关闭浏览器
driver.quit()

selenium的基本使用：

from selenium import webdriver
from time import sleep
//chromedriver.exe 浏览器的驱动文件
bro = webdriver.Chrome(executable_path='chromedriver.exe')
#发起指定url的请求
bro.get('https://www.jd.com/')
#在搜索框中搜索商品
#可以使用find系列的方法进行标签定位
search_input = bro.find_element_by_xpath('//*[@id="key"]')
#想搜索框中写入商品名称
search_input.send_keys('iphonex')
sleep(2)
btn = bro.find_element_by_xpath('//*[@id="search"]/div/div[2]/button')
btn.click()
sleep(2)
#执行js让滚轮向下滑动，滑动一屏
bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
sleep(2)
# bro.execute_script('window.scrollTo(0,-document.body.scrollHeight)')
page_text = bro.page_source
with open('./jingdong.html','w',encoding='utf-8') as fp:
    fp.write(page_text)
print(page_text)
sleep(4)
#关闭浏览器
bro.quit()

selenium的动作链

from selenium import webdriver
from selenium.webdriver import ActionChains #动作连
from time import sleep
bro = webdriver.Chrome(executable_path='chromedriver.exe')
bro.get('https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
#定位要拖动的标签
#定位的标签是存在于iframe的子页面中，如果直接使用find做定位，是定位不到的
# target_ele = bro.find_element_by_id('draggable')
#像定位iframe中子页面中的标签必须进行如下操作
bro.switch_to.frame('iframeResult')
target_ele = bro.find_element_by_id('draggable')
#基于动作连实现滑动操作
action = ActionChains(bro)
#点击且长按
action.click_and_hold(target_ele)
for i in range(5):
    #perform()表示立即执行动作连指定好的动作
    action.move_by_offset(17,0).perform()
    sleep(0.5)
action.release()
sleep(4)
bro.quit()