Python爬虫類の性能に関するまとめ

ここでは、ウェブページの例を求めて、爬虫類の性能を理解していきます。
リストがあるとき、私たちはいくつかのurlを保管しています。私たちは関連データを取得する必要があります。まず考えたのは循環です。
単純なシリアル循環
この方法は相対的に一番遅いです。一つの循環のために、時間の消費が一番長いです。すべての時間の合計です。
コードは以下の通りです

import requests

url_list = [
  'http://www.baidu.com',
  'http://www.pythonsite.com',
  'http://www.cnblogs.com/'
]

for url in url_list:
  result = requests.get(url)
  print(result.text)

スレッドを通す
スレッドプールを通じてアクセスすると、全体の時間がかかります。すべての接続に一番時間がかかります。相対的にサイクルが速くなります。

import requests
from concurrent.futures import ThreadPoolExecutor

def fetch_request(url):
  result = requests.get(url)
  print(result.text)

url_list = [
  'http://www.baidu.com',
  'http://www.bing.com',
  'http://www.cnblogs.com/'
]
pool = ThreadPoolExecutor(10)

for url in url_list:
  #           ，     fetch_request  
  pool.submit(fetch_request,url)

pool.shutdown(True)

スレッドプール+コールバック関数
ここではコールバック関数を定義しています。

from concurrent.futures import ThreadPoolExecutor
import requests


def fetch_async(url):
  response = requests.get(url)

  return response


def callback(future):
  print(future.result().text)


url_list = [
  'http://www.baidu.com',
  'http://www.bing.com',
  'http://www.cnblogs.com/'
]

pool = ThreadPoolExecutor(5)

for url in url_list:
  v = pool.submit(fetch_async,url)
  #        
  v.add_done_callback(callback)

pool.shutdown()

プロセス・プールを通る
プロセスプールを通じてアクセスするのも、時間がかかりますが、スレッドに対しては、プロセスはより多くのリソースを必要とします。また、ここはurlにアクセスする際のIO操作ですので、ここでは、スレッド池はプロセスプールよりも良いです。

import requests
from concurrent.futures import ProcessPoolExecutor

def fetch_request(url):
  result = requests.get(url)
  print(result.text)

url_list = [
  'http://www.baidu.com',
  'http://www.bing.com',
  'http://www.cnblogs.com/'
]
pool = ProcessPoolExecutor(10)

for url in url_list:
  #           ，       fetch_request  
  pool.submit(fetch_request,url)

pool.shutdown(True)

プロセスプール+コールバック関数
この方法はスレッド＋コールバック関数の効果と同じであり、比較的オープンスレッドよりもオープンスレッドの方がリソースが無駄です。

from concurrent.futures import ProcessPoolExecutor
import requests


def fetch_async(url):
  response = requests.get(url)

  return response


def callback(future):
  print(future.result().text)


url_list = [
  'http://www.baidu.com',
  'http://www.bing.com',
  'http://www.cnblogs.com/'
]

pool = ProcessPoolExecutor(5)

for url in url_list:
  v = pool.submit(fetch_async, url)
  #         
  v.add_done_callback(callback)

pool.shutdown()

主流のシングルスレッドを同時進行させるいくつかの方法

asyncico

gevent

Twisted

Tornado

以下はそれぞれこの4つのコードの実現例である。
asyncico例1：

import asyncio


@asyncio.coroutine #         
def func1():
  print('before...func1......')
  #      yield from，       asyncio.sleep   time.sleep
  yield from asyncio.sleep(2)
  print('end...func1......')


tasks = [func1(), func1()]

loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.gather(*tasks))
loop.close()

上記の効果は、同時に二つのbeforeの内容を印刷し、2秒後にendの内容を印刷することです。
ここでasyncicoはhttp要求を送る方法を提供していませんが、yield fromでhttp要求を作成する方法があります。
asyncico例2：

import asyncio


@asyncio.coroutine
def fetch_async(host, url='/'):
  print("----",host, url)
  reader, writer = yield from asyncio.open_connection(host, 80)

  #       
  request_header_content = """GET %s HTTP/1.0\r
Host: %s\r
\r
""" % (url, host,)
  request_header_content = bytes(request_header_content, encoding='utf-8')
  #    
  writer.write(request_header_content)
  yield from writer.drain()
  text = yield from reader.read()
  print(host, url, text)
  writer.close()

tasks = [
  fetch_async('www.cnblogs.com', '/zhaof/'),
  fetch_async('dig.chouti.com', '/pic/show?nid=4073644713430508&lid=10273091')
]

loop = asyncio.get_event_loop()
results = loop.run_until_complete(asyncio.gather(*tasks))
loop.close()

asyncico+aiohttpコード例：

import aiohttp
import asyncio


@asyncio.coroutine
def fetch_async(url):
  print(url)
  response = yield from aiohttp.request('GET', url)
  print(url, response)
  response.close()


tasks = [fetch_async('http://baidu.com/'), fetch_async('http://www.chouti.com/')]

event_loop = asyncio.get_event_loop()
results = event_loop.run_until_complete(asyncio.gather(*tasks))
event_loop.close()

asyncico+requestsコードの例

import asyncio
import requests


@asyncio.coroutine
def fetch_async(func, *args):
  loop = asyncio.get_event_loop()
  future = loop.run_in_executor(None, func, *args)
  response = yield from future
  print(response.url, response.content)


tasks = [
  fetch_async(requests.get, 'http://www.cnblogs.com/wupeiqi/'),
  fetch_async(requests.get, 'http://dig.chouti.com/pic/show?nid=4073644713430508&lid=10273091')
]

loop = asyncio.get_event_loop()
results = loop.run_until_complete(asyncio.gather(*tasks))
loop.close()

gevent+requestsコードの例

import gevent

import requests
from gevent import monkey

monkey.patch_all()


def fetch_async(method, url, req_kwargs):
  print(method, url, req_kwargs)
  response = requests.request(method=method, url=url, **req_kwargs)
  print(response.url, response.content)

# #####      #####
gevent.joinall([
  gevent.spawn(fetch_async, method='get', url='https://www.python.org/', req_kwargs={}),
  gevent.spawn(fetch_async, method='get', url='https://www.yahoo.com/', req_kwargs={}),
  gevent.spawn(fetch_async, method='get', url='https://github.com/', req_kwargs={}),
])

# #####     （           ） #####
# from gevent.pool import Pool
# pool = Pool(None)
# gevent.joinall([
#   pool.spawn(fetch_async, method='get', url='https://www.python.org/', req_kwargs={}),
#   pool.spawn(fetch_async, method='get', url='https://www.yahoo.com/', req_kwargs={}),
#   pool.spawn(fetch_async, method='get', url='https://www.github.com/', req_kwargs={}),
# ])

grequestsコードの例
これはレクネス+geventのパッケージです。

import grequests


request_list = [
  grequests.get('http://httpbin.org/delay/1', timeout=0.001),
  grequests.get('http://fakedomain/'),
  grequests.get('http://httpbin.org/status/500')
]


# #####           #####
# response_list = grequests.map(request_list)
# print(response_list)


# #####          （    ） #####
# def exception_handler(request, exception):
# print(request,exception)
#   print("Request failed")

# response_list = grequests.map(request_list, exception_handler=exception_handler)
# print(response_list)

twistedコードの例

#getPage   requets  ，defer      ，rector      
from twisted.web.client import getPage, defer
from twisted.internet import reactor

def all_done(arg):
  reactor.stop()

def callback(contents):
  print(contents)

deferred_list = []

url_list = ['http://www.bing.com', 'http://www.baidu.com', ]
for url in url_list:
  deferred = getPage(bytes(url, encoding='utf8'))
  deferred.addCallback(callback)
  deferred_list.append(deferred)
#           ，             
dlist = defer.DeferredList(deferred_list)
dlist.addBoth(all_done)

reactor.run()

トラナドコード例

from tornado.httpclient import AsyncHTTPClient
from tornado.httpclient import HTTPRequest
from tornado import ioloop


def handle_response(response):
  """
         （       ，   IO  ），   ioloop.IOLoop.current().stop()
  :param response: 
  :return: 
  """
  if response.error:
    print("Error:", response.error)
  else:
    print(response.body)


def func():
  url_list = [
    'http://www.baidu.com',
    'http://www.bing.com',
  ]
  for url in url_list:
    print(url)
    http_client = AsyncHTTPClient()
    http_client.fetch(HTTPRequest(url), handle_response)


ioloop.IOLoop.current().add_callback(func)
ioloop.IOLoop.current().start()

以上はPython爬虫類の性能に関する詳細をまとめました。Python爬虫類の性能に関する資料は他の関連記事に注目してください。