python并发爬虫实用工具tomorrow实用解析

Python  /  管理员 发布于 7年前   170

tomorrow是我最近在用的一个爬虫利器，该模块属于第三方的一个模块，使用起来非常的方便，只需要用其中的threads方法作为装饰器去修饰一个普通的函数，既可以达到并发的效果，本篇将用实例来展示tomorrow的强大之处。后面将对tomorrow的实现原理做进一步的分析。

1.安装第三方包

pip install requests_html #网络请求包pip install fake-useragent #获取useragent包pip install tomorrow

2.普通下载方式

在这里我们用20个电影网址进行测试，并获取其标题，计算所用的时间

start=time.time()for i in url_list:   print(get_xpath(get_req(i),"//title//text()"))end=time.time()print("普通方式花费时间",end-start)

get_req是我定义的访问网络的一个方法，get_xpath是为例使用xpath表达式获取其结果，这里是获取网址的标题。20个电影网址普通方式访问的结果在8-9秒之间。

3.使用tomorrow以后

start2 = time.time()req_list = []for url in url_list:  req = async_get_req(url)  req_list.append(req)for req in req_list:  print(get_xpath(req, "//title//text()"))end2 = time.time()print("并发后花费时间", end2 - start2)

如果我们想要使用tomorrow，就要尽量减少耗时操作，访问网络并等待其回应就是一个非常耗时的工作，在这里我们需要做的是，并发的时候除了访问网络不要做其他操作，然后我们把获取的请求存一个列表，然后再去循环做其他操作，看不懂我说的没关系，直接看下面代码并尝试几次就明白了。

4.测试结果对比

来看程序的完整代码:

import timefrom requests_html import HTMLSessionfrom fake_useragent import UserAgent as uafrom tomorrow import threadsheaders = {"User-Agent": ua().Chrome}session = HTMLSession()url_list = ["https://movie.douban.com",      "http://www.1905.com/",      "http://www.mtime.com/",      "https://www.dy2018.com/",      "http://dytt8.net",      "https://www.piaohua.com/",      "http://maoyan.com",      "https://www.xigua110.com/",      "https://www.vmovier.com/",      "http://movie.kankan.com/",      "https://107cine.com/",      "http://movie.youku.com",      "http://film.qq.com",      "http://film.spider.com.cn",      "https://dianying.taobao.com/",      "http://www.wandafilm.com/",      "http://www.dygang.net/",      "http://www.bale.cn/",      "http://dianying.2345.com/",      "http://v.x2y4.com/"]def get_req(url, timeout=10):  req = session.get(url, headers=headers, timeout=timeout)  if req.status_code == 200:    return req@threads(5)def async_get_req(url, timeout=10):  req = session.get(url, headers=headers, timeout=timeout)  if req.status_code == 200:    return reqdef get_xpath(req, xpath_str):  return req.html.xpath(xpath_str)[0].strip().replace("\n", "")start=time.time()for i in url_list:   print(get_xpath(get_req(i),"//title//text()"))end=time.time()print("普通方式花费时间",end-start)start2 = time.time()req_list = []for url in url_list:  req = async_get_req(url)  req_list.append(req)for req in req_list:  print(get_xpath(req, "//title//text()"))end2 = time.time()print("并发后花费时间", end2 - start2)

运行三次上面的程序记录下每次的结果

第一次：普通方式花费时间 7.883908271789551并发后花费时间 2.2888755798339844第二次:普通方式花费时间 8.522203207015991并发后花费时间 2.4674007892608643第三次:普通方式花费时间 9.062756061553955并发后花费时间 2.8703203201293945

tomorrow使用起来很简单，在普通的函数上面加个threads装饰器即可以实现并发效果，括号中的数字是表示并发的次数，经过我的测试并不是并发次数越多越好，你需要选择一个中间点，因为还会受到网速的影响，我觉得一般并发数5-10就好.

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。