异步IO 协程 是写爬虫目前来说最好的方式.
比多线程和多进程都好. 开辟新的线程和进程是非常耗时的
讲讲我在使用python异步IO语法时踩过的坑
简单介绍异步IO的原理
以及利用最新语法糖实现异步IO的步骤,
然后给出实现异步的不同例子
网上找了很多python的asyncio示例.很多都是用
# 获取EventLoop:
loop = asyncio.get_event_loop()
# 执行coroutine
loop.run_until_complete(hello())
loop.close()
通过create_future向里面添加task的方法来进行异步IO调用.
这种方法显然不是很好理解,在python3.7中 asyncio引入了新的语法糖
asyncio.run()
asyncio.create_task()
asyncio.gather()
下面通过实例具体分析asyncio异步的原理和使用方法
假设有一个异步操作, 它可以是爬虫的请求等待网页响应, 数据库的操作, 或者是定时任务. 不管如何, 我们都可以抽象成下面这个函数来表示
async def foo():
print('----start foo')
await asyncio.sleep(1)
print('----end foo') /*
预期想要的结果
----start foo
(等待一秒)
----end foo
*/
async是旧版本装饰器的语法糖
await是旧版本yield from 的语法糖
这个函数表示,先打印start foo 然后等待一秒, 然后再打印end foo
这个函数不能直接被执行. 它必须放在一个异步环境中才能执行. 这个异步环境独立在整个程序之外,可以把所有的异步环境打包成一个箱子, 看成是一个同步事件.
(异步环境是我自己创造的为了理解异步操作发明的词汇)
把这个函数装在这个异步环境里 异步环境的长度取决于环境里需要执行事件最长的那个函数
开启这个异步环境的标志是
asyncio.run(foo())
这条命令执行了之后,异步环境就被开启了. 需要主要的事, 同一线程同一时间只能开启一个异步环境. 换句话说, 在run函数里面的函数(本例中为bar())里面不能再包含run函数.
因此, 上例需要执行的话:
async def foo():
print('start foo')
await asyncio.sleep(1)
print('----end foo') if __name__ == '__main__':
asyncio.run(foo())
执行以下之后发现结果没问题
异步是为了处理IO密集型事件的.一个读取操作需要1秒, 另一个需要2秒, 如果并发执行,需要3秒,
def foo2():
print('----start foo')
time.sleep(1)
print('----end foo') def bar2():
print('----start bar')
time.sleep(2)
print('----end bar') if __name__ == '__main__':
foo2()
bar2() /*
预期输出:
----start foo
(等待1秒)
----end foo
----start bar
(等待2秒)
----end bar
*/
把上面的函数改写成异步之后
async def foo():
print('----start foo')
await asyncio.sleep(1)
print('----end foo') async def bar():
print('****start bar')
await asyncio.sleep(2)
print('****end bar') async def main():
await foo()
await bar() if __name__ == '__main__':
asyncio.run(main())
我们想要的结果是
----start foo
****start bar
(等待1秒)
----end foo
(等待1秒)
****end bar
但是运行上面的程序 结果却是
----start foo
(等待1秒)
----end foo
****start bar
(等待2秒)
****end bar
这是为什么呢
await表示 等待后面的异步函数操作完了之后, 执行下面的语句.
所以在在本例中,await foo 等待foo函数完全结束了之后, 再去执行
那么如何一起执行呢
基本的有两种方法
1.采用函数gather
官方文档中的解释是
awaitable asyncio.gather(*aws, loop=None, return_exceptions=False)
并发 运行 aws 序列中的 可等待对象。
如果 aws 中的某个可等待对象为协程，它将自动作为一个任务加入日程。
如果所有可等待对象都成功完成，结果将是一个由所有返回值聚合而成的列表。结果值的顺序与 aws 中可等待对象的顺序一致。
如果 return_exceptions 为 False (默认)，所引发的首个异常会立即传播给等待 gather() 的任务。aws 序列中的其他可等待对象 不会被取消 并将继续运行。
如果 return_exceptions 为 True，异常会和成功的结果一样处理，并聚合至结果列表。
如果 gather() 被取消，所有被提交 (尚未完成) 的可等待对象也会 被取消。
如果 aws 序列中的任一 Task 或 Future 对象 被取消，它将被当作引发了 CancelledError 一样处理 -- 在此情况下 gather() 调用 不会 被取消。这是为了防止一个已提交的 Task/Future 被取消导致其他 Tasks/Future 也被取消。
因此代码就有了
async def foo():
print('----start foo')
await asyncio.sleep(1)
print('----end foo') async def bar():
print('****start bar')
await asyncio.sleep(2)
print('****end bar') async def main():
res = await asyncio.gather(foo(), bar())
print(res) if __name__ == '__main__':
asyncio.run(main())
返回值为函数的返回值列表 本例中为[None, None]
第二种方法 创建task
asyncio.create_task(coro)
将 coro 协程 打包为一个 Task 排入日程准备执行。返回 Task 对象。
该任务会在 get_running_loop() 返回的loop中执行，如果当前线程没有在运行的loop则会引发 RuntimeError。
此函数 在 Python 3.7 中被加入。在 Python 3.7 之前，可以改用低层级的 asyncio.ensure_future() 函数。
async def foo():
print('----start foo')
await asyncio.sleep(1)
print('----end foo') async def bar():
print('****start bar')
await asyncio.sleep(2)
print('****end bar') async def main():
asyncio.create_task(foo())
asyncio.create_task(bar()) if __name__ == '__main__':
asyncio.run(main())
但是运行一下就会发现, 只输出了
----start foo
****start bar
这是因为,create_task函数只是把任务打包放进了队列,至于它们有没有运行完. 不管.
因此需要等待它们执行完毕.
最后的代码为
async def foo():
print('----start foo')
await asyncio.sleep(1)
print('----end foo') async def bar():
print('****start bar')
await asyncio.sleep(2)
print('****end bar') async def main():
task1 = asyncio.create_task(foo())
task2 = asyncio.create_task(bar()) await task1
await task2 if __name__ == '__main__':
asyncio.run(main())
如果有多个请求
async def foo():
print('----start foo')
await asyncio.sleep(1)
print('----end foo') async def main():
tasks = []
for i in range(10):
tasks.append(asyncio.create_task(foo()))
await asyncio.wait(tasks) if __name__ == '__main__':
asyncio.run(main())
async def foo():
print('----start foo')
await asyncio.sleep(1)
print('----end foo') async def bar():
print('****start bar')
await asyncio.sleep(2)
print('****end bar') async def main():
tasks = []
for i in range(10):
tasks.append(asyncio.create_task(foo()))
for j in range(10):
tasks.append(asyncio.create_task(bar()))
await asyncio.wait(tasks) if __name__ == '__main__':
asyncio.run(main())
异步嵌套
async def foo():
print('----start foo')
await asyncio.sleep(1)
print('----end foo') async def bar():
print('****start bar')
await asyncio.sleep(2)
print('****end bar') async def foos():
print('----------------------')
tasks = []
for i in range(3):
tasks.append(asyncio.create_task(foo()))
await asyncio.wait(tasks) async def main():
tasks = []
for i in range(3):
tasks.append(asyncio.create_task(foos()))
for j in range(3):
tasks.append(asyncio.create_task(bar()))
await asyncio.wait(tasks) if __name__ == '__main__':
asyncio.run(main())
把每一个create_task当成新增了一条线. 这条线如果遇到IO操作了(即遇到了await) 那么就先等待在这里, 先执行别的线上的操作(如果已经有了结果)
create了线才可以跳来跳去, 如果不create, 是不会跳走的
async def foo():
print('----start foo')
await asyncio.sleep(1)
print('----end foo') async def foos():
print('----------------------')
tasks = []
await foo()
await foo()
await foo() async def main():
tasks = []
for i in range(3):
tasks.append(asyncio.create_task(foos()))
await asyncio.wait(tasks) if __name__ == '__main__':
asyncio.run(main())
这个例子里面 只创造了3条线, 因此只能3个3个执行, 其实应该9个一起等, 但是因为没有create_task所以并不会一起执行.
import asyncio
import aiohttp async def fetch(session, url, sem):
timeout = aiohttp.ClientTimeout(total=2)
try:
async with sem:
print(f'start get: {url}')
async with session.get(url, timeout=timeout) as response:
res = await response.text()
print(f'get {url} successfully')
except:
print('timeout') async def main():
url_list = [
# 'https://www.google.com.hk/',
'https://www.cnblogs.com/DjangoBlog/p/5783125.html',
'http://www.360doc.com/content/18/0614/19/3175779_762447601.shtml',
'https://www.baidu.com/',
]
url_list2 = ['http://es6.ruanyifeng.com/#docs/decorator' for _ in range(100)]
url_list3 = ['https://www.baidu.com' for _ in range(100)] # async with aiohttp.ClientSession() as session:
# tasks = []
# sem = asyncio.Semaphore(20)
# for url in url_list3:
# tasks.append(fetch(session, url, sem))
# await asyncio.gather(*tasks) async with aiohttp.ClientSession() as session:
sem = asyncio.Semaphore(20)
url = 'https://www.baidu.com'
task_list = [fetch(session, url, sem) for _ in range(100)]
await asyncio.gather(*task_list) if __name__ == '__main__':
asyncio.run(main())
被注释掉的代码和下面的代码干的是同样的事
Semaphore是一个计数器 超过容量的时候会阻塞. 可以限制并发数量