一次爬虫的并发改造过程

事情是这样的：因为在写一个豆瓣抽奖的小程序，我需要抓取豆瓣广播所有转发的用户信息，然后从这些用户里面抽取幸运观众。

典型的 IO 密集型操作呀。

首先爬虫要进入广播找到一共有多少转发页，大概长这样：

def get_pages(url):
    r = fetch(url)
    
    soup = BeautifulSoup(r, 'lxml')
    page_num = soup.find("div", class_="paginator").find_all("a")[-2].string

    return page_num

然后依次解析每一页的用户信息：

def parse_one(r):
    human = list()
    soup = BeautifulSoup(r, 'lxml')
    try:
        content = soup.find_all("li", class_="list-item")
    except:
        logging.error("there is no info.")
        raise
        .....

    return human

很简单吧。

刚开始我用 requests 库直接依次请求每一页的内容，代码写好后点击执行，等啊等，等啊等，终于爬完了，控制台输出：

耗时: 106.168...

我两眼一抹黑，要是用户用这个来抽奖，黄花菜都凉了。

遂决定多开几个进程，使用multiprocessing.Pool() 创建多个进程，看看效果：

pool = multiprocessing.Pool(5)
url_list = [url + '?start={}&tab=reshare#reshare'.format(i * 20) for i in range(0, int(page_num))]
with pool as p:
    res = p.map(parse_one, url_list)

耗时：

耗时: 26.168740749359131

好像还不错哎。比之前顺序爬取要快了不少。但还是有点慢。

然后我决定上 携程 (协程)。

首先获取网页内容肯定要异步获取：

async def fetch(url):
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/2.0.0 Opera 9.50",
        ......
    }
    async with aiohttp.ClientSession(headers=headers) as session:
        async with session.get(url) as res:
            result = await res.text()
            return result

然后将所有请求放入 task 中：

url_list = [redict_url + '?start={}&tab=reshare#reshare'.format(i * 20) for i in range(0, int(page_num))]
loop = asyncio.=get_event_loop()
tasks = [asyncio.ensure_future(reshare(url)) for url in url_list]
loop.run_until_complete(asyncio.wait(tasks))

for task in tasks:
    human.extend(task.result())

接下来就是见证奇迹的时刻了！

（然而并不是，豆瓣把我封了。我太难了。）

那就上代理 IP 吧。又写了个爬虫爬了几百个代理 ip 地址。每次请求时候随机选择代理：

def random_proxy():
    url = hosts[random.randint(1, len(hosts))]
    proxy = "http://{}".format(url)
    return proxy

现在来看看效果：

耗时: 2.2529048919677734

Amazing！！！

关于线程，进程，协程，参考我之前写的文章：

对 python 并发编程的思考

另外，

我的豆瓣抽奖小程序（豆酱）已经上线了，欢迎使用提 bug 呀。