Python入门基础教程：使用 Python 3 协程快速获得一个代理池
前言
在执行 IO 密集型任务的时候，程序会因为等待 IO 而阻塞。比如我们使用 requests 库来进行网络爬虫请求的话，如果网站响应速度过慢，程序会一直等待网站响应，最终导致其爬取效率十分低下。本文以爬取 IP 代理池为例，演示 Python 中如何利用异步协程来加速网络爬虫。
注：本文示例代码，需要 Python 3.7 及以上版本。
协程
协程(Coroutine)，又称微线程，纤程，协程是一种用户态的轻量级线程。
协程拥有自己的寄存器上下文和栈。协程调度切换时，将寄存器上下文和栈保存，在调度回来的时候，恢复先前保存的寄存器上下文和栈。因此协程能保留上一次调用时的状态，即所有局部状态的一个特定组合。
协程本质上是个单进程，协程相对于多进程来说，无需进程间上下文切换的开销，无需原子操作锁定及同步的开销，编程模型也非常简单。
我们可以使用协程来实现异步操作，比如在网络爬虫场景下，在发出一个请求之后，需要等待一定的时间才能得到响应。其实在这个等待过程中，程序可以干许多其他的事情，等到响应返回之后再切换回来继续处理，这样可以充分利用 CPU 和其他资源，这就是异步协程的优势。
Python 中的协程
从 Python 3.4 开始，Python 中加入了协程的概念，这个版本的协程是通过生成器对象来实现的，在 Python 3.5 中增加了 asyncio 库和 async、await 关键字，使得协程的实现更加方便。
asyncio 库
首先我们先来看一个不使用协程的程序，代码如下：
import timedef job(t): print('Start job {}'.format(t)) time.sleep(t) # 等待 t 秒 print('Job {0} takes {0}s'.format(t))def main(): [job(t) for t in range(1, 3)]start = time.time()main()print("total time: {}".format(time.time() - start))
运行结果：
Start job 1Job 1 takes 1sStart job 2Job 2 takes 2stotal time: 3.001577138900757从运行结果可以看出，我们的 job 是按顺序执行的。必须执行完 job 1 才能开始执行 job 2， job 1 需要 1 秒的执行时间，job 2 需要 2 秒的执行时间，所以总时间是 3 秒多。
如果我们使用协程的方式，job 1 在等待 time.sleep(t) 执行结束的时候(可以看做是等待一个网页的下载成功)，是可以切换到 job 2 执行的。
我们再来看一下使用协程改造后的代码：
import timeimport asyncioasync def job(t): # 使用 async 关键字将一个函数定义为协程 print('Start job {}'.format(t)) await asyncio.sleep(t) # 等待 t 秒, 期间切换执行其他任务 print('Job {0} takes {0}s'.format(t))async def main(loop): # 使用 async 关键字将一个函数定义为协程 tasks = [loop.create_task(job(t)) for t in range(1, 3)] # 创建任务, 不立即执行 await asyncio.wait(tasks) # 执行并等待所有任务完成start = time.time()loop = asyncio.get_event_loop() # 建立 looploop.run_until_complete(main(loop)) # 执行 looploop.close() # 关闭 loopprint("total time: {}".format(time.time() - start))运行结果：
Start job 1Start job 2Job 1 takes 1sJob 2 takes 2stotal time: 2.0033459663391113从运行结果可以看出，我们没有等待 job 1 执行结束再开始执行 job 2，而是 job 1 触发 await 的时候切换到了 job 2 。 这时 job 1 和 job 2 同时在执行 await asyncio.sleep(t)，所以最终程序的执行时间取决于执行时间最长的那个 job，也就是 job 2 的执行时间：2 秒。
aiohttp 库
在对 asyncio 库做了简单了解之后，我们来看一下如何通过协程来改造我们的爬虫程序。
安装 aiohttp 库：
pip install aiohttp我们先来看一下使用 reqeusts 库实现一个网页的爬取：
import timeimport requestsdef fetch(url): r = requests.get(url) return r.urldef main(): results = [fetch('http://www.baidu.com') for _ in range(2)] print(results)start = time.time()main()print("total time: {}".format(time.time() - start))运行结果：
['http://www.baidu.com/', 'http://www.baidu.com/']total time: 1.5445010662078857使用 requests 库，访问两次 http://www.baidu.com，共耗时 1.5 秒
我们用 aiohttp 库来改造上面的代码：
import timeimport asyncioimport aiohttpasync def fetch(session, url): response = await session.get(url) # await 等待网络 IO 并切换协程 return str(response.url)async def main(loop): async with aiohttp.ClientSession() as session: tasks = [ loop.create_task(fetch(session, 'http://www.baidu.com')) for _ in range(2) ] done, pending = await asyncio.wait(tasks) # 执行并等待所有任务完成 results = [r.result() for r in done] # 获取所有返回结果 print(results)start = time.time()loop = asyncio.get_event_loop() # 建立 事件循环loop.run_until_complete(main(loop)) # 在 事件循环 中执行协程loop.close() # 关闭 事件循环print("total time: {}".format(time.time() - start))运行结果：
['http://www.baidu.com', 'http://www.baidu.com']total time: 0.10848307609558105使用 aiohttp 的代码执行时间较使用 reqeusts 的代码有大幅的提升。
上例中，我们使用官方推荐的方式创建 session，并通过 session 执行 get 操作。aiohttp 官方建议一个 application 中共享使用一个 session，不要为每个请求都创建 session。
使用 asyncio 和 aiohttp 快速获得一个代理池
通过爬虫解析免费的代理发布网站页面，来生成代理池。
#!/usr/bin/env python# -*- coding:utf-8 -*-"""@author: qfedu.com"""import osimport reimport timeimport asyncioimport aiohttpHEADERS = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/12.0.3 Safari/605.1.15'}OUTPUT_FILE = 'proxies.txt' # 代理池输出文件SITES = ['http://www.live-socks.net', 'http://www.proxyserverlist24.top'] # 代理发布网站CHECK_URL = 'http://www.baidu.com'LOCAL_PROXY = None # 在本地发起请求时的代理# http get 协程async def fetch(session, url, proxy=None): proxy_headers = HEADERS if proxy else None try: async with session.get( url, headers=HEADERS, proxy=proxy, proxy_headers=proxy_headers, timeout=aiohttp.ClientTimeout(total=5)) as response: if response.status == 200: return await response.text() else: return '' except: return ''# 从代理发布网站获取代理发布页面链接async def get_page_links(loop, session): tasks = [loop.create_task(fetch(session, url, proxy=LOCAL_PROXY)) for url in SITES] # 创建协程任务 done, _ = await asyncio.wait(tasks) # 执行并等待所有任务完成 htmls = [f.result() for f in done] # 获取所有返回结果 # 解析出 html 页面中的代理发布链接 def parse(html): return re.findall(r'
运行结果：
total proxy: 15675total checked proxy: 4503total time: 487.2807550430298
更加高效的爬虫
在爬虫程序中，通常有网络请求任务、页面解析任务、数据清洗任务和数据入库任务。
网络请求任务、数据入库任务属于 IO 密集型任务，在 Python 中通常使用多线程模型来提高这类任务的性能，现在还可以通过 aiohttp，Motor(MongoDB 的异步 Python 驱动)等异步框架将性能进一步提升。
页面解析任务、数据清洗任务这类 CPU 密集型的任务我们该如何来提高性能？在 Python 中针对 CPU 密集型任务可以通过 multiprocessing 模块来提升性能，通过 multiprocessing 模块可以使程序运行在多核 CPU 中，增加 CPU 的利用率以提升计算性能。
给代理池爬虫示例增加多核计算支持：
#!/usr/bin/env python# -*- coding:utf-8 -*-"""@author: qfedu.com"""import osimport reimport timeimport asynciofrom multiprocessing import Poolimport aiohttpHEADERS = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/12.0.3 Safari/605.1.15'}OUTPUT_FILE = 'proxies.txt' # 代理池输出文件SITES = ['http://www.live-socks.net', 'http://www.proxyserverlist24.top'] # 代理发布网站CHECK_URL = 'http://www.baidu.com'LOCAL_PROXY = 'http://127.0.0.1:1087' # •在本地发起请求时的代理# http get 协程async def fetch(session, url, proxy=None): proxy_headers = HEADERS if proxy else None try: async with session.get( url, headers=HEADERS, proxy=proxy, proxy_headers=proxy_headers, timeout=aiohttp.ClientTimeout(total=5)) as response: if response.status == 200: return await response.text() else: return '' except: return ''# 解析出 html 页面中的代理发布链接def parse_page_link(html): return re.findall(r'
进程间的调度及上下文切换是非常消耗资源的。上面例子中解析任务比较简单，解析量也非常少，增加多核计算支持后，性能几乎没有提升还有可能降低。在实际爬虫项目中需要根据实际情况来衡量和选择。
