python爬虫-超高速异步协程Python爬虫算法实现.zip

# Simpyder - Simple Python Spider Simpyder - 轻量级**协程**Python爬虫 ## 特点 - 轻量级：下载便利，依赖较少，使用简单。 - 协程：单线程，通过协程实现并发。 - 可定制：简单配置，适应各种爬取场合。 ## 快速开始 ### 下载 ```bash #使用pip3 pip3 install simpyder --user ``` ```bash # 更新包 pip3 install simpyder --upgrade ``` ### 编码 用户只需要定义三个函数，实现三个模块： #### 链接获取 我们需要一个定义一个[异步生成器](https://docs.python.org/zh-cn/3/c-api/gen.html)，用于产生链接。 ``` python async def gen_url(): for each_id in range(100): yield "https://www.biliob.com/api/video/{}".format(each_id) ``` #### 链接解析 我们需要定义一个解析链接的函数。其中第一个参数是Response对象，也就是上述函数对应URL的访问结果。 该函数需要返回一个对象，作为处理结果。 注意，与普通函数不同，这是一个协程函数。需要在前面加上`async`。代表该函数是异步的。 ``` python async def parse(response): return response.xpath('//meta[@name="title"]/@content')[0] ``` #### 数据导出 上面函数的处理结果将在这个函数中统一被导出。下列例子为直接在控制台中打印导出结果。 保存需要IO操作，因此这个函数可能运行较慢，因此也需要是异步的。我们在前面添加`async`关键词 ``` python async def save(item): print(item) ``` ### 然后将这些模块组成一个Spider 首先导入爬虫对象: ``` python import AsynSpider from simpyder.spiders ``` 你可以这样组装Spider ``` python spider = AsyncSpider() spider.gen_url = gen_url spider.parse = parse spider.save = save ``` ### 接着就可以开始爬虫任务 ``` python s.run() ``` ### 你也可以通过构造函数进行一些配置 ``` python spider = AsyncSpider(name="TEST") ``` ## 示例程序 ``` python from simpyder.spiders import AsynSpider # new一个异步爬虫 s = AsynSpider() # 定义链接生成的生成器，这里是爬取800次百度首页的爬虫 def g(): count = 0 while count < 800: count += 1 yield "https://www.baidu.com" # 绑定生成器 s.gen_url = g # 定义用于解析的异步函数，这里不进行任何操作，返回一段文本 async def p(res): return "parsed item" # 绑定解析器 s.parse = p # 定义用于存储的异步函数，这里不进行任何操作，但是返回2，表示解析出2个对象 async def s(item): return 2 # 绑定存储器 s.save = s # 运行 s.run() ``` ## 理论速率 运行上述代码，可以得到单进程、并发数：64、仅进行计数操作的下载速率： ``` log [2020-09-02 23:42:48,097][CRITICAL] @ Simpyder: user_agent: Simpyder ver.0.1.9 [2020-09-02 23:42:48,169][CRITICAL] @ Simpyder: concurrency: 64 [2020-09-02 23:42:48,244][CRITICAL] @ Simpyder: interval: 0 [2020-09-02 23:42:48,313][INFO] @ Simpyder: 已经爬取0个链接(0/min)，共产生0个对象(0/min) [2020-09-02 23:42:48,319][INFO] @ Simpyder: Start Crawler: 0 [2020-09-02 23:42:53,325][INFO] @ Simpyder: 已经爬取361个链接(4332/min)，共产生658个对象(7896/min) [2020-09-02 23:42:58,304][INFO] @ Simpyder: 已经爬取792个链接(5280/min)，共产生1540个对象(10266/min) [2020-09-02 23:43:03,304][INFO] @ Simpyder: 已经爬取1024个链接(4388/min)，共产生2048个对象(8777/min) [2020-09-02 23:43:05,007][CRITICAL] @ Simpyder: Simpyder任务执行完毕 [2020-09-02 23:43:05,008][CRITICAL] @ Simpyder: 累计消耗时间：0:00:16.695013 [2020-09-02 23:43:05,008][CRITICAL] @ Simpyder: 累计爬取链接：1024 [2020-09-02 23:43:05,009][CRITICAL] @ Simpyder: 累计生成对象：2048 ```