建站
咨詢
售后
建站咨詢
新聞中心
用python做網(wǎng)絡(luò)開(kāi)發(fā)的人估計(jì)都聽(tīng)說(shuō)過(guò)gevent這個(gè)庫(kù)，gevent是一個(gè)第三方的python協(xié)程庫(kù)，其是在微線程庫(kù)greenlet的基礎(chǔ)上構(gòu)建而成，并且使用了epoll事件監(jiān)聽(tīng)機(jī)制，這讓gevent具有很好的性能并且比greenlet更好用。根據(jù)gevent官方的資料（網(wǎng)址：http://www.gevent.org），gevent具有以下特點(diǎn)：
創(chuàng)新互聯(lián)是一家集網(wǎng)站建設(shè),遂溪企業(yè)網(wǎng)站建設(shè),遂溪品牌網(wǎng)站建設(shè),網(wǎng)站定制,遂溪網(wǎng)站建設(shè)報(bào)價(jià),網(wǎng)絡(luò)營(yíng)銷,網(wǎng)絡(luò)優(yōu)化,遂溪網(wǎng)站推廣為一體的創(chuàng)新建站企業(yè)，幫助傳統(tǒng)企業(yè)提升企業(yè)形象加強(qiáng)企業(yè)競(jìng)爭(zhēng)力。可充分滿足這一群體相比中小企業(yè)更為豐富、高端、多元的互聯(lián)網(wǎng)需求。同時(shí)我們時(shí)刻保持專業(yè)、時(shí)尚、前沿，時(shí)刻以成就客戶成長(zhǎng)自我，堅(jiān)持不斷學(xué)習(xí)、思考、沉淀、凈化自己，讓我們?yōu)楦嗟钠髽I(yè)打造出實(shí)用型網(wǎng)站。
- 基于libev或libuv的快速事件循環(huán)。
- 基于greenlet的輕量級(jí)執(zhí)行單元。
- 重復(fù)使用Python標(biāo)準(zhǔn)庫(kù)中的概念的API（例如，有event和 queues）。
- 具有SSL支持的協(xié)作套接字
- 通過(guò)線程池，dnspython或c-ares執(zhí)行的合作DNS查詢。
- 猴子修補(bǔ)實(shí)用程序，使第三方模塊能夠合作
- TCP / UDP / HTTP服務(wù)器
- 子流程支持（通過(guò)gevent.subprocess）
- 線程池
筆者總結(jié)一下，gevent大致原理就是當(dāng)一個(gè)greenlet遇到需要等待的操作時(shí)（多為IO操作），比如網(wǎng)絡(luò)IO/睡眠等待，這時(shí)就會(huì)自動(dòng)切換到其他的greenlet，等上述操作完成后，再在適當(dāng)?shù)臅r(shí)候切換回來(lái)繼續(xù)執(zhí)行。在這個(gè)過(guò)程中其實(shí)仍然只有一個(gè)線程在執(zhí)行，但因?yàn)槲覀冊(cè)诘却承㊣O操作時(shí)，切換到了其他操作，避免了無(wú)用的等待，這就為我們大大節(jié)省了時(shí)間，提高了效率。
筆者也是在看了gevent這么多的優(yōu)點(diǎn)之后，感覺(jué)有必要上手試一試，但起初效果非常不理想，速度提升并不大，后來(lái)在仔細(xì)研究了gevent的用法之后，發(fā)現(xiàn)gevent的高效率是有條件的，而其中一個(gè)重要條件就是monkey patch的使用，也就是我們常說(shuō)的猴子補(bǔ)丁。
monkey patch就是在不改變?cè)创a的情況下，對(duì)程序進(jìn)行更改和優(yōu)化，其主要適用于動(dòng)態(tài)語(yǔ)言。通過(guò)monkey patch，gevent替換了標(biāo)準(zhǔn)庫(kù)里面大部分的阻塞式系統(tǒng)調(diào)用，比如socket、ssl、threading和select等，而變?yōu)閰f(xié)作式運(yùn)行。下面筆者還是通過(guò)代碼來(lái)演示一下monkey patch的用法以及使用條件。筆者展示的這個(gè)程序是一個(gè)小型的爬蟲(chóng)程序，程序代碼量少，便于閱讀和運(yùn)行，同時(shí)也能較好地測(cè)試出monkey patch的提升程度。主要思路是從Box Office Mojo網(wǎng)站抓取北美電影市場(chǎng)今年第二季度上映的電影，然后從每部電影的信息頁(yè)面提取出每部電影的電影分級(jí)，然后把每部電影的名稱和其對(duì)應(yīng)分級(jí)保存在一個(gè)字典當(dāng)中，再測(cè)試一下整個(gè)過(guò)程的時(shí)間。在這里，我們主要測(cè)試三種情況下的程序完成時(shí)間，分別是普通不使用gevent的爬蟲(chóng)，使用gevent但不用monkey patch的爬蟲(chóng)，以及使用gevent和monkey patch的爬蟲(chóng)。
首先看普通不使用gevent的爬蟲(chóng)。
先導(dǎo)入需要的庫(kù)。
- import time
- import requests
- from lxml import etree
然后讀取第二季度上映電影的頁(yè)面。
- url = r'https://www.boxofficemojo.com/quarter/q2/2020/?grossesOption=totalGrosses' #第二季度上映電影的網(wǎng)址
- headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'} #爬蟲(chóng)頭部
- rsp = requests.get(url, headersheaders=headers) #讀取網(wǎng)頁(yè)
- text = rsp.text #獲取網(wǎng)頁(yè)源碼
- html = etree.HTML(text)
- movie_relative_urls = html.xpath(r'//td[@class="a-text-left mojo-field-type-release mojo-cell-wide"]/a/@href') #獲取每部電影的信息頁(yè)面的相對(duì)地址
- movie_urls = [r'https://www.boxofficemojo.com'+u for u in movie_relative_urls] #把每部電影的相對(duì)地址換成絕對(duì)地址
- genres_dict = {} #用于保存信息的字典
上述代碼中變量url就是第二季度上映電影的網(wǎng)頁(yè)地址，其頁(yè)面截圖如圖1所示。headers是爬蟲(chóng)模擬瀏覽器的頭部信息，每部電影的信息頁(yè)面就是圖1中表格頭一行列名Release下面每部電影名稱所包含的網(wǎng)址，點(diǎn)擊每部電影名稱就可進(jìn)入其對(duì)應(yīng)頁(yè)面。因?yàn)檫@個(gè)網(wǎng)址是相對(duì)地址，所以要轉(zhuǎn)換成絕對(duì)地址。
圖1. 第二季度上映電影的頁(yè)面
接下來(lái)是每部電影的信息頁(yè)面的讀取。
- def spider(url): #這個(gè)函數(shù)主要用于讀取每部電影頁(yè)面中的電影分級(jí)信息
- rsp = requests.get(url, headersheaders=headers) #讀取每部電影的網(wǎng)頁(yè)
- text = rsp.text #獲取頁(yè)面代碼
- html = etree.HTML(text)
- genre = html.xpath(r'//div/span[text()="Genres"]/following-sibling::span[1]/text()')[0] #讀取電影分級(jí)信息
- title = html.xpath(r'//div/h1/text()')[0] #讀取電影名稱
- genres_dict[title] = genre #把每部電影的名稱和分級(jí)信息存入字典
這個(gè)函數(shù)就是為了讀取每部電影信息頁(yè)面的信息，其功能和上面讀取url頁(yè)面的功能類似，都非常簡(jiǎn)單，沒(méi)有過(guò)多可說(shuō)的。在每部電影頁(yè)面中，我們要讀取的每部電影的分級(jí)信息就在Genres這一行，比如圖2中電影The Wretched，其Genres信息就是Horror。
圖2. 示例電影信息頁(yè)面
接下來(lái)是時(shí)間測(cè)算。
- normal_start = time.time() #程序開(kāi)始時(shí)間
- for u in movie_urls:
- spider(u)
- normal_end = time.time() #程序結(jié)束時(shí)間
- normal_elapse = normal_end - normal_start #程序運(yùn)行時(shí)間
- print('The normal procedure costs %s seconds' % normal_elapse)
我們測(cè)算時(shí)間用time.time()方法，用結(jié)束時(shí)間減去開(kāi)始時(shí)間就是程序運(yùn)行時(shí)間，這里我們主要測(cè)試spider這個(gè)函數(shù)多次運(yùn)行的時(shí)間。結(jié)果顯示，該過(guò)程耗時(shí)59.6188秒。
第二個(gè)爬蟲(chóng)是使用gevent但不用monkey patch的爬蟲(chóng)。其完整代碼如下。
- import time
- from lxml import etree
- import gevent
- import requests
- url = r'https://www.boxofficemojo.com/quarter/q2/2020/?grossesOption=totalGrosses'
- headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'}
- rsp = requests.get(url, headersheaders=headers)
- text = rsp.text
- html = etree.HTML(text)
- movie_relative_urls = html.xpath(r'//td[@class="a-text-left mojo-field-type-release mojo-cell-wide"]/a/@href')
- movie_urls = [r'https://www.boxofficemojo.com'+u for u in movie_relative_urls]
- genres_dict = {}
- task_list = [] #用于存放協(xié)程的列表
- def spider(url):
- rsp = requests.get(url, headersheaders=headers)
- text = rsp.text
- html = etree.HTML(text)
- genre = html.xpath(r'//div/span[text()="Genres"]/following-sibling::span[1]/text()')[0]
- title = html.xpath(r'//div/h1/text()')[0]
- genres_dict[title] = genre
- gevent_start = time.time()
- for u in movie_urls:
- task = gevent.spawn(spider, u) #生成協(xié)程
- task_list.append(task) #把協(xié)程放入這個(gè)列表
- gevent.joinall(task_list) #運(yùn)行所有協(xié)程
- gevent_end = time.time()
- gevent_elapse = gevent_end - gevent_start
- print('The gevent spider costs %s seconds' % gevent_elapse)
這里絕大部分代碼和前面爬蟲(chóng)代碼相同，但多了一個(gè)task_list變量，其是用于存放協(xié)程的列表，我們從gevent_start = time.time()這行開(kāi)始看，因?yàn)榍懊娴拇a都和之前的爬蟲(chóng)相同。task = gevent.spawn(spider, u)是生成gevent中生成協(xié)程的方法，task_list.append(task)是把每個(gè)協(xié)程放入這個(gè)列表中，而gevent.joinall(task_list)就是運(yùn)行所有協(xié)程。上面這些過(guò)程和我們運(yùn)行多線程的方式非常相似。運(yùn)行結(jié)果是59.1744秒。
最后一個(gè)爬蟲(chóng)就是同時(shí)使用gevent和monkey patch的爬蟲(chóng)，在這里筆者不再粘貼代碼，因?yàn)槠浯a和第二個(gè)爬蟲(chóng)幾乎一模一樣，只有一個(gè)區(qū)別，就是多了一行代碼from gevent import monkey; monkey.patch_all()，注意這是一行代碼，不過(guò)包含兩個(gè)語(yǔ)句，用分號(hào)放在了一起。最重要的是，這行代碼要放在所有代碼的前面，切記?。?！
這個(gè)爬蟲(chóng)的運(yùn)行結(jié)果是26.9184秒。
筆者把這里三個(gè)爬蟲(chóng)分別放在三個(gè)文件中，分別命名為normal_spider.py、gevent_spider_no.py和gevent_spider.py，分別表示普通不用gevent的爬蟲(chóng)、使用gevent但不用monkey patch的爬蟲(chóng)、使用gevent和monkey patch的爬蟲(chóng)。這里有一點(diǎn)要注意，monkey patch暫不支持jupyter notebook，所以這三個(gè)程序要在命令行中使用，不能在notebook中使用。
最后把三種爬蟲(chóng)的結(jié)果總結(jié)如下。
圖3. 三種爬蟲(chóng)的結(jié)果對(duì)比
可以看出使用了gevent但不用monkey patch的爬蟲(chóng)和普通爬蟲(chóng)的運(yùn)行時(shí)間幾乎完全相等，而在用了monkey patch以后，運(yùn)行時(shí)間只有前面程序的一半不到，速度提升了大約120%，僅僅一行代碼就帶來(lái)如此大的速度提升，可見(jiàn)monkey patch的作用還是很大的。而對(duì)于前兩個(gè)爬蟲(chóng)的速度幾乎完全一樣，筆者認(rèn)為原因在于這兩個(gè)程序都是單線程運(yùn)行，本質(zhì)上沒(méi)有太大區(qū)別，同時(shí)網(wǎng)頁(yè)讀取數(shù)量較?。ㄖ挥?8個(gè)網(wǎng)頁(yè)），也很難看出gevent的效果。
從本例中可以看出monkey patch還是有不小提升的，但gevent目前只對(duì)常見(jiàn)庫(kù)尤其是官方標(biāo)準(zhǔn)庫(kù)有patch作用，其他第三方庫(kù)的效果還不得而知，所以對(duì)monkey patch的使用還是要視情況而定。本文的代碼筆者放在gitee代碼網(wǎng)站上，網(wǎng)址是https://gitee.com/leonmovie/speed-up-gevent-spider-with-monkey-patch，如有需要可以自行下載。
本文標(biāo)題：如何用一行代碼讓gevent爬蟲(chóng)提速100%
文章轉(zhuǎn)載：http://m.5511xx.com/article/ccdhjhj.html
