爬虫值解决效率问题的方法

本质：
方案：
多进程 > 多线程 > 单线程

本质：

问题内容：阻塞

sk = socket()
# 阻塞    链接的时候会有阻塞
sk.connect(('www.cnblogs.com',80))

sk.sendall(b"GET /wupeiqi http1.1\r\n.....\r\n\r\n")
sk.sendall(b"POST /wupeiqi http1.1\r\n.....\r\n\r\nuser=alex&pwd=123")

# 阻塞     获取返回数据的时候会有阻塞
data = sk.recv(8096)

sk.close()

解决方案

异步非阻塞

什么是异步非阻塞？
                - 非阻塞
                    - 不等待(报错，捕捉异常)
                    - 代码：
                        sk = socket.socket()
                        sk.setblocking(False)
                - 异步：
                    - 回调，当达到某个指定的状态之后，自动调用特定函数。

用基本的代码实现异步非阻塞

import socket
import select
#创建一个类，内部封装了socket链接，和链接对应的回调函数
class Request(object):
    def __init__(self,sk,callback):
        self.sk = sk
        self.callback = callback

    def fileno(self):
        return self.sk.fileno()

class AsyncHttp(object):

    def __init__(self):
        self.fds = []
        self.conn = []

    def add(self,url,callback):
        sk = socket.socket()
        sk.setblocking(False)#写上这段话就不阻塞了   tcp协议默认是阻塞的
        try:
            sk.connect((url,80)) #这里解决了阻塞的问题
        except BlockingIOError as e:
            pass
        req = Request(sk,callback) #实例化request对象，将连接和回调函数放进去
        self.fds.append(req)
        self.conn.append(req)

    def run(self):
        """
        监听socket是否发生变化
        :return:
        """
        while True:
            """
            fds=[req(sk,callback),req,req]
            conn=[req,req,req]
            """
            r,w,e = select.select(self.fds,self.conn,[],0.05) # sk.fileno() = req.fileno()

            # w=已经连接成功的socket列表 w=[sk1,sk2]
            for req in w:
                req.sk.sendall(b'GET /wupeiqi HTTP/1.1\r\nUser-Agent: Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 
(KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36\r\n\r\n')
                # 已经连接成功的socket，无需再继续监听，将链接从表中删除，
                self.conn.remove(req)

            # r=服务端给用户返回数据了 r=[sk1,] #这里的数据的顺序也是不定的 那个链接先有返回值，先返回过来
#　这里解决了第二个阻塞，那个有数据回来 就放到这个 r中  然后对返回数据进行处理

            for req in r:
                data = req.sk.recv(8096)#获取到响应信息
                req.callback(data)#当有信息返回的时候，立刻调用回调函数，执行回调函数  
                #是对返回的数据进行解析的过程   这里体现了异步
                req.sk.close() # 断开连接：短连接、无状态
                self.fds.remove(req) # 不再监听

            if not self.fds:
                break  #当服务器中返回的数据都处理完毕后，VU安谧链接

ah = AsyncHttp() #实例化运行 对象
###############################################
###实际使用  可以这样使用
def callback1(data): #自定义callback函数
    print(11111,data)

def callback2(data):
    print(22222,data)

def callback3(data):
    print(333333,data)

ah.add('www.cnblogs.com',callback1) # sk1  #往里传链接和回调函数
ah.add('www.baidu.com',callback2)   # sk2
ah.add('www.luffycity.com',callback3) # sk3

ah.run() #执行run方法

1. 什么是协程？
- 是“微线程”，不存在；是由程序员人为创造出来并控制程序：先执行某段代码、再跳到某处执行某段代码。

- 如果遇到非IO请求来回切换：性能更低。
- 如果遇到IO（耗时）请求来回切换：性能高、实现并发（本质上利用IO等待的过程，再去干一些其他的事）

在编写爬虫时，性能的消耗主要在IO请求中，当单进程单线程模式下请求URL时必然会引起等待，从而使得请求整体变慢。

通过上述代码均可以完成对请求性能的提高，对于多线程和多进行的缺点是在IO阻塞时会造成了线程和进程的浪费，所以异步IO回事首选：

爬虫值解决效率问题的方法

asyncio

import asyncio


@asyncio.coroutine
def fetch_async(host, url='/'):
    print(host, url)
    reader, writer = yield from asyncio.open_connection(host, 80)

    request_header_content = """GET %s HTTP/1.0\r\nHost: %s\r\n\r\n""" % (url, host,)
    request_header_content = bytes(request_header_content, encoding='utf-8')

    writer.write(request_header_content)
    yield from writer.drain()
    text = yield from reader.read()
    print(host, url, text)
    writer.close()

tasks = [
    fetch_async('www.cnblogs.com', '/wupeiqi/'),
    fetch_async('dig.chouti.com', '/pic/show?nid=4073644713430508&lid=10273091')
]

loop = asyncio.get_event_loop()
results = loop.run_until_complete(asyncio.gather(*tasks))
loop.close()

View Code