本文目錄：

• 同步方式爬取部落格標題
• async/await非同步爬取部落格標題

本片為深入理解協程系列文章的補充。

你將會在從本文中瞭解到：async/await如何運用的實際的爬蟲中。

案例

從CSDN上批量爬取指定文章的標題。文章列表如下：

urls = [
    'https://blog.csdn.net/Jmilk/article/details/103218919',
    'https://blog.csdn.net/stven_king/article/details/103256724',
    'https://blog.csdn.net/csdnnews/article/details/103154693',
    'https://blog.csdn.net/dg_lee/article/details/103951021',
    'https://blog.csdn.net/m0_37907797/article/details/103272967',
    'https://blog.csdn.net/zzq900503/article/details/49618605',
    'https://blog.csdn.net/weixin_44339238/article/details/103977138',
    'https://blog.csdn.net/dengjin20104042056/article/details/103930275',
    'https://blog.csdn.net/Mind_programmonkey/article/details/103940511',
    'https://blog.csdn.net/xufive/article/details/102993570',
    'https://blog.csdn.net/weixin_41010294/article/details/104009722',
    'https://blog.csdn.net/yunqiinsight/article/details/103137022',
    'https://blog.csdn.net/qq_44210563/article/details/102826406',
]
 

同步爬蟲

import requests
import time
from lxml import etree

urls = [
    'https://blog.csdn.net/Jmilk/article/details/103218919',
    'https://blog.csdn.net/stven_king/article/details/103256724',
    ...此處略
]

def get_title(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.97 Safari/537.36'
    }
    r = requests.get(url, headers)
    html = r.content
    title = etree.HTML(html).xpath('//h1[@class="title-article"]/text()')[0]
    print(title)
 
def main():
    for url in urls:
        get_title(url)
        
if __name__ == '__main__':
    start = time.time()
    main()
    print(f'cost time: {time.time() - start}s')
 

輸出結果如下：

4G LTE/EPC 協議棧
Android-Universal-Image-Loader原始碼分析
8年經驗面試官詳解 Java 面試祕訣
AES中ECB模式的加密與解密（Python3.7）
【圖解演算法面試】記一次面試：說說遊戲中的敏感詞過濾是如何實現的？
java進階(四)------java程式設計規範---程式碼質量檢測工具FindBugs、PMD和CheckStyle的安裝
這是一份集合一線大廠Android工程師必備技能體系+學習路線！
【程式人生】程式設計師接私活常用平臺彙總
你不得不瞭解的卷積神經網路發展史
致 Python 初學者
OOM別慌，手把手教你定位
中國資料庫OceanBase登頂之路
網頁實現一個簡單的音樂播放器（大佬別看。(⊙﹏⊙)）
cost time: 6.065227508544922s
 

用時：6.065227508544922s。

async/await非同步爬蟲

要實現一個真正的非同步爬蟲，就需要引入aiohttp模組，aiohttp是一個利用asyncio的庫，可以暫時看成協程版的requests。

import asyncio
import time
import aiohttp
from lxml import etree

urls = [
    'https://blog.csdn.net/Jmilk/article/details/103218919',
    'https://blog.csdn.net/stven_king/article/details/103256724',
    ...此處略
]

async def async_get_url(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.97 Safari/537.36'
    }
    async with aiohttp.ClientSession() as session:  # 解釋1
        async with session.get(url, headers=headers) as r:
            html = await r.read()
            title = etree.HTML(html).xpath('//h1[@class="title-article"]/text()')[0]
            print(title)
     
def async_main():
    loop = asyncio.get_event_loop()
    tasks = [async_get_url(url) for url in urls]
    loop.run_until_complete(asyncio.wait(tasks))
    loop.close()
 
if __name__ == '__main__':
    start = time.time()
    async_main()
    print(f'cost time: {time.time() - start}s')

輸出結果：

網頁實現一個簡單的音樂播放器（大佬別看。(⊙﹏⊙)）
【程式人生】程式設計師接私活常用平臺彙總
致 Python 初學者
中國資料庫OceanBase登頂之路
Android-Universal-Image-Loader原始碼分析
OOM別慌，手把手教你定位
這是一份集合一線大廠Android工程師必備技能體系+學習路線！
AES中ECB模式的加密與解密（Python3.7）
4G LTE/EPC 協議棧
【圖解演算法面試】記一次面試：說說遊戲中的敏感詞過濾是如何實現的？
8年經驗面試官詳解 Java 面試祕訣
java進階(四)------java程式設計規範---程式碼質量檢測工具FindBugs、PMD和CheckStyle的安裝
你不得不瞭解的卷積神經網路發展史
cost time: 0.6428999900817871s

說明：

解釋1：此處為非同步的上下文管理器，是aiohttp官方文件提供的寫法。如果對上下文管理器不是很瞭解的話，可以參看【吃透Python上下文管理器】。

用時：0.6428999900817871s。從兩種爬蟲的輸出結果中可以看到：

• 文章標題的順序不同。同步爬蟲會按照urls內部的url順序依次爬取文章標題。而非同步爬蟲爬取的順序並不完全和urls中的url順序相同。
• 爬取速度差異很大。非同步爬蟲速度大概是普通同步爬蟲的8~10倍。非同步爬蟲充分利用了網路請求這段時間。從而提高了爬取效率。

關於aiohttp的更多用法。會在後面文章講到。

推薦閱讀

深入理解協程（一）：協程的引入

深入理解協程（二）：yield from實現非同步協程

深入理解協程（三）：async/await實現非同步協程

Python進階：上下文管理器

關注公眾號西加加先生一起玩轉Python。

相關推薦