想提高爬虫效率？aiohttp 了解下

本文原创发布于微信公众号「极客猴」，欢迎关注第一时间获取更多原创分享

对于爬虫程序，我们往往会很关注其爬虫效率。影响爬虫效率有几个因素有，是否使用多线程，I/O 操作，是否同步执行等。其中 I/O 操作、同步执行是最影响爬虫效率的。

众所周知，Requests 库一个优秀的 HTTP 库，通过它可以非常简单地发起 HTTP 请求。不过，这个库所执行的网络请求都是同步。当爬虫程序进程获得 CPU 的时间片时，如果程序在进行 I/O 操作（例下载图片），在这段 IO 执行的时间里，CPU 处于空闲中，这样会造成 CPU 的计算能力就被浪费了。

如果 CPU 能将等待时间利用起来，那么爬虫效率就提高了。那就需要对程序进行改造，将 I/O 同步操作变成异步操作。本文内容是介绍一个强大的异步 I/O 操作的库 —— aiohttp。

1 aiohttp 介绍

说到 aiohttp ，不得不说下 asyncio 。asyncio 是 Python 3.4 版本引入的标准库。它工作模式是单线程并发，使用协同执行 I/O 操作。asyncio 的编程模型就是一个消息循环。我们从 asyncio 模块中直接获取一个 EventLoop 的引用，然后把需要执行的协程扔到 EventLoop 中执行，就实现了异步 IO。

使用 asyncio 实现一个异步函数 hello() 的例子:

import asyncio@asyncio.coroutine # 修饰符，等同于 asyncio.coroutine(hello())
def hello():print("Hello world!")# 异步调用asyncio.sleep(1):r = yield from asyncio.sleep(1)print("Hello again!")# 获取EventLoop:
loop = asyncio.get_event_loop()
# 执行coroutine
loop.run_until_complete(hello())
loop.close()
复制代码

而 aiohttp 则是基于 asyncio 实现的 HTTP 框架。 aiohttp 全称是 Async http client/server framework。翻译成中文是异步 HTTP 的客户端/服务器框架。从名字中，我们可知 aiohttp 是分为服务器端和客户端，专门异步处理 HTTP 的请求。

2 aiohttp 安装

安装 aiohttp 可以通过 pip 方式安装，在终端中执行安装命令即可。

pip install aiohttp
复制代码

3 async/await 语法

前面我们讲到异步 I/O 的用法，但是声明异步函数比较繁琐，还需要依赖 yield 语法。在 Python 3.5 中，引入了 async/await 关键字，使得异步回调的写法更加直观和人性化。

在函数 def 之前增加关键字async,表示这个函数是异步函数。相当于替代语法@asyncio.coroutine。具体例子例如：

async def hello():print("Hello World!")
复制代码

另外使用 await 替换了 yield from, 表示这部分操作为异步操作。

async def hello():print("Hello World!")r = await asyncio.sleep(1)print("Hello again!")
复制代码

最后执行异步函数，还是需要用到 EventLoop 引用，然后利用协程执行异步函数。最终的代码如下：

import asyncioasync def hello():print("Hello world!")r = await asyncio.sleep(1)print("Hello again!")if __name__ == '__main__':loop = asyncio.get_event_loop()tasks = [hello(), ]loop.run_until_complete(asyncio.wait(tasks))loop.close()
复制代码

运行结果如下：

Hello world!
>> 会暂停一秒钟
Hello again!
复制代码

4 aiohttp 基本用法

我们使用 aiohttp 以 GET 方式向httpbin.org网站发起一个 HTTP 请求。因为是 aiohttp 是异步处理 HTTP 请求。所以还必须遵循 Python 的异步函数语法，即需使用 async/await 语法。

使用 aiohttp 发起一个 HTTP 请求，具体编写可以分为以下几步： 1）使用 async 定义异步函数 2）通过 aiohttp.ClientSession 获取一个 session 对象 3）用该 session 对象以 GET、POST、PUT 等方式去请求网页 4）最后获取 EventLoop 引用，执行异步函数。

import asyncio
import aiohttp# 定义异步函数 main()
async def main():# 获取 session 对象async with aiohttp.ClientSession() as session:# get 方式请求 httbin  async with session.get('http://httpbin.org/get') as response:print(response.status)print(await response.text())loop = asyncio.get_event_loop()
loop.run_until_complete(main())
复制代码

aiohttp 支持自定义 headers、设置超时时间、设置代理、自定义 cookie 等。

import asyncio
import aiohttpurl = 'http://httpbin.org/post'
headers = {'User-agent': "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",
}data = {'data': 'person data',
}# 定义异步函数 main()
async def main():# 获取 session 对象async with aiohttp.ClientSession() as session:# post 方式请求 httbinasync with session.post(url=url, headers=headers, data=data) as response:print(response.status)print(await response.text())loop = asyncio.get_event_loop()
loop.run_until_complete(main())
复制代码

关于 aiohttp 更多用法，可以执行阅读官网文档。说句实话，aiohttp 跟 Requests 的用法大同小异。如果你已经学会了 Requests 库，很快就能掌握 aiohttp 的用法。

本文首发于微信公众号，原文地址是想提高爬虫效率？aiohttp 了解下。随时欢迎转载文章, 转载请联系号主开通白名单，尊重作者的原创。本人微信公众号「极客猴」，每周分享 Python 原创干货。涉及网络爬虫、数据分析、web 开发等方向。