路飞学城-学习文档

第1章 Python基础 Day1 基本语法
- 1.1 编程语言介绍与分类
- 1.2 Python介绍、发展趋势
- 1.3 Python环境安装
- 1.4 开发你的第一个Python程序
- 1.5 选择最好用的PyCharm IDE
- 1.6 变量
- 1.7 注释
- 1.8 基本数据类型
- 1.9 读取用户指令
- 1.10 格式化打印
- 1.11 运算符
- 1.12 流程控制之if...else
- 1.13 流程控制之while循环
- 1.14 本章练习题&作业
第2章 Python基础 Day2 数据类型和文件操作
- 2.1 上章补充-变量的创建过程
- 2.2 上章补充-身份运算和None
- 2.3 细讲数据类型-列表
- 2.4 细讲数据类型-元组
- 2.5 细讲数据类型-字符串
- 2.6 细讲数据类型-字典
- 2.7 细讲数据类型-集合
- 2.8 秒懂二进制
- 2.9 字符编码之文字是如何显示的
- 2.10 秒懂十六进制
- 2.11 hash是个什么东西
- 2.12 用Python操作文件
- 2.13 本章练习题&作业
第3章 Python 基础 Day3 函数编程
- 3.1 上章补充-Bytes类型
- 3.2 上章补充-字符编码的转换
- 3.3 上章补充-深浅copy
- 3.4 函数来了
- 3.5 函数返回值与作用域
- 3.6 嵌套&匿名&高阶函数
- 3.7 函数的递归
- 3.8 内置函数
- 3.9 名称空间
- 3.10 闭包是个什么东西？
- 3.11 函数进阶-装饰器
- 3.12 列表生成式
- 3.13 生成器
- 3.14 迭代器
- 3.15 练习题&作业
第4章 Python基础 Day4 常用模块
- 4.1 模块介绍与导入
- 4.2 第3方开源模块的安装使用
- 4.3 系统调用os模块
- 4.4 系统调用sys模块
- 4.5 time & datetime模块
- 4.6 random随机模块
- 4.7 序列化pickle&json模块
- 4.8 hashlib 加密
- 4.9 文件copy模块shutil
- 4.10 正则表达式re模块
- 4.11 软件开发目录设计规范
- 4.12 包&跨模块代码调用
- 4.13 练习题&作业
第5章 Python核心编程 Day5 面向对象编程
- 5.1 面向对象来了
- 5.2 面向对象语法
- 5.3 对象间的交互、组合
- 5.4 三大特性之-继承
- 5.5 三大特性之-封装
- 5.6 三大特性之-多态
- 5.7 作业&练习题
第6章 Python核心编程 Day6 面向对象编程进阶
- 6.1 类方法、静态方法
- 6.2 属性方法property
- 6.3 神奇的反射
- 6.4 类的双下线方法
- 6.5 用type动态创建一个类
- 6.6 isinstance\issubclass
- 6.7 异常处理
- 6.8 作业&练习题
第7章核心编程 Day7 Socket网络编程
- 7.1 C/S架构介绍
- 7.2 TCP/IP 各层详解
- 7.3 Socket介绍
- 7.4 Socket代码实例
- 7.5 粘包现象与解决方案
- 7.6 通过socket发送文件
- 7.7 本章总结
第8章核心编程 Day8 并发编程
- 8.1 操作系统介绍
- 8.2 并发编程多进程之进程理论
- 8.3 并发编程多进程之开启进程的两种方式
- 8.4 并发编程多进程之join方法
- 8.5 并发编程多进程之守护进程
- 8.6 并发编程多进程之互斥锁
- 8.7 并发编程多进程之队列
- 8.8 并发编程多进程之生产者消费者模型
- 8.9 并发编程多线程之线程理论
- 8.10 并发编程多线程之开启线程的两种方式
- 8.11 并发编程多线程之多线程与多进程的区别
- 8.12 并发编程多线程之Thread对象的其他属性或方法
- 8.13 并发编程多线程之守护线程
- 8.14 并发编程多线程之GIL全局解释器锁
- 8.15 并发编程多线程之死锁现象与递归锁
- 8.16 并发编程多线程之信号量,Event,定时器
- 8.17 并发编程多线程之线程queue
- 8.18 并发编程多线程之进程池与线程池
- 8.19 并发编程之协程-协程介绍
- 8.20 并发编程之协程-greenlet模块
- 8.21 并发编程之协程-gevent模块
- 8.22 并发编程IO模型-IO模型介绍
- 8.23 并发编程IO模型-阻塞IO
- 8.24 并发编程IO模型-非阻塞IO
- 8.25 并发编程IO模型-多路复用IO
- 8.26 并发编程IO模型-异步IO
- 8.27 并发编程IO模型-IO模型比较分析
- 8.28 并发编程IO模型-selectors模块
- 8.29 本章小结
第9章 Mysql数据库开发
- 9.1 初识数据库-数据库管理软件的由来
- 9.2 初识数据库-数据库概述
- 9.3 初识数据库-mysql安装与基本管理
- 9.4 初识数据库-初识sql语句
- 9.5 库操作-库的增删改查
- 9.6 表操作-存储引擎介绍
- 9.7 表操作-表的增删改查
- 9.8 表操作-数据类型
- 9.9 表操作-数值类型
- 9.10 表操作-日期类型
- 9.11 表操作-字符串类型
- 9.12 表操作-枚举类型与集合类型
- 9.13 表操作-完整性约束
第7章爬虫开发-requests模块学习
- 7.1 requests模块初始
- 7.2 requests案例实战
第21章爬虫开发-爬虫基础简介
- 21.1 爬虫初识&价值探讨
- 21.2 爬虫合法性探究
- 21.3 爬虫初识深入
- 21.4 http&https协议
第9章爬虫开发-数据解析
- 9.1 数据解析概述
- 9.2 数据解析---正则表达式
- 9.3 数据解析---bs4解析
- 9.4 数据解析---xpath解析
第10章爬虫开发-验证码识别
- 10.1 验证码识别
- 10.2 验证码实战
第11章 requests模块高级操作
- 11.1 模拟登陆
- 11.2 requests模块的cookie处理
- 11.3 requests模块的代理IP操作
第13章高性能异步爬虫
- 13.1 高性能异步爬虫---线程and线程池
- 13.2 高性能异步爬虫---异步协程
- 13.3 高性能异步爬虫---多任务异步协程
- 13.4 高性能异步爬虫---aiohttp
第25章 scrapy框架使用
- 25.1 scrapy简介
- 25.2 scrapy的数据持久化存储
- 25.3 scrapy基于Spider类的全站数据爬取
- 25.4 请求传参
- 25.5 scrapy图片数据爬取
- 25.6 scrapy中间件
- 25.7 scrapy中selenium的应用
第12章动态渲染页面爬取
- 12.1 图片懒加载
- 12.2 selenium模块基本使用
- 12.3 基于selenium的爬虫案例
- 12.4 Pyppeteer模块使用

高性能异步爬虫---异步协程阅读量: 3601

<p>上一小节中无论哪种解决方案其实没有解决一个性能相关的问题：IO阻塞，无论是多进程还是多线程，在遇到IO阻塞时都会被操作系统强行剥夺走CPU的执行权限，程序的执行效率因此就降低了下来。</p>

<p>解决这一问题的关键在于，我们自己从应用程序级别检测IO阻塞然后切换到我们自己程序的其他任务执行，这样把我们程序的IO降到最低，我们的程序处于就绪态就会增多，以此来迷惑操作系统，操作系统便以为我们的程序是IO比较少的程序，从而会尽可能多的分配CPU给我们，这样也就达到了提升程序执行效率的目的。</p>

<p>在python3.4之后新增了asyncio模块，可以帮我们检测IO阻塞，然后实现异步IO。<strong>注意：asyncio只能发tcp级别的请求，不能发http协议。</strong></p>

<h2><strong>什么是异步IO</strong></h2>

<p>所谓「异步 IO」，就是你发起一个 IO阻塞 操作，却不用等它结束，你可以继续做其他事情，当它结束时，你会得到通知。</p>

<h2><strong>实现异步IO的方式</strong></h2>

<p>单线程+<strong>异步协程</strong>实现异步IO操作</p>

<h2><strong>异步协程用法</strong></h2>

<p>从 Python 3.4 开始，Python 中加入了协程的概念，但这个版本的协程还是以生成器对象为基础的，在 Python 3.5 则增加了 async/await，使得协程的实现更加方便。首先我们需要了解下面几个概念：</p>

<ul>
	<li>
	<p>event_loop：事件循环，相当于一个无限循环，我们可以把一些函数注册到这个事件循环上，当满足某些条件的时候，函数就会被循环执行。程序是按照设定的顺序从头执行到尾，运行的次数也是完全按照设定。当在编写异步程序时，必然其中有部分程序的运行耗时是比较久的，需要先让出当前程序的控制权，让其在背后运行，让另一部分的程序先运行起来。当背后运行的程序完成后，也需要及时通知主程序已经完成任务可以进行下一步操作，但这个过程所需的时间是不确定的，需要主程序不断的监听状态，一旦收到了任务完成的消息，就开始进行下一步。loop就是这个持续不断的监视器。</p>
	</li>
	<li>
	<p>coroutine：中文翻译叫协程，在 Python 中常指代为协程对象类型，我们可以将协程对象注册到事件循环中，它会被事件循环调用。我们可以使用 async 关键字来定义一个方法，这个方法在调用时不会立即被执行，而是返回一个协程对象。</p>
	</li>
	<li>
	<p>task：任务，它是对协程对象的进一步封装，包含了任务的各个状态。</p>
	</li>
	<li>
	<p>future：代表将来执行或还没有执行的任务，实际上和 task 没有本质区别。</p>
	</li>
</ul>

<p>另外我们还需要了解 async/await 关键字，它是从 Python 3.5 才出现的，专门用于定义协程。其中，async 定义一个协程，await 用来挂起阻塞方法的执行。</p>

<h3>- 定义一个协程：</h3>

<pre>
<code class="language-python">import asyncio
 
async def execute(x):
    print('Number:', x)
 
coroutine = execute(1)
print('Coroutine:', coroutine)
print('After calling execute')
 
loop = asyncio.get_event_loop()
loop.run_until_complete(coroutine)
print('After calling loop')</code></pre>

<pre>
<code>Coroutine: <coroutine object execute at 0x1034cf830>
After calling execute
Number: 1
After calling loop</code></pre>

<p>首先我们引入了 asyncio 这个包，这样我们才可以使用 async 和 await，然后我们使用 async 定义了一个 execute() 方法，方法接收一个数字参数，方法执行之后会打印这个数字。</p>

<p>随后我们直接调用了这个方法，然而这个方法并没有执行，而是返回了一个 coroutine 协程对象。随后我们使用 get_event_loop() 方法创建了一个事件循环 loop，并调用了 loop 对象的 run_until_complete() 方法将协程注册到事件循环 loop 中，然后启动。最后我们才看到了 execute() 方法打印了输出结果。</p>

<p>可见，async 定义的方法就会变成一个无法直接执行的 coroutine 对象，必须将其注册到事件循环中才可以执行。</p>

<h3>- task的使用：</h3>

<p>上文我们还提到了 task，它是对 coroutine 对象的进一步封装，它里面相比 coroutine 对象多了运行状态，比如 running、finished 等，我们可以用这些状态来获取协程对象的执行情况。</p>

<p>在上面的例子中，当我们将 coroutine 对象传递给 run_until_complete() 方法的时候，实际上它进行了一个操作就是将 coroutine 封装成了 task 对象，我们也可以显式地进行声明，如下所示：</p>

<pre>
<code class="language-python">import asyncio
 
async def execute(x):
    print('Number:', x)
    return x
 
coroutine = execute(1)
print('Coroutine:', coroutine)
print('After calling execute')
 
loop = asyncio.get_event_loop()
task = loop.create_task(coroutine)
print('Task:', task)
loop.run_until_complete(task)
print('Task:', task)
print('After calling loop')</code></pre>

<pre>
<code>Coroutine: <coroutine object execute at 0x10e0f7830>
After calling execute
Task: <Task pending coro=<execute() running at demo.py:4>>
Number: 1
Task: <Task finished coro=<execute() done, defined at demo.py:4> result=1>
After calling loop
</code></pre>

<h3>- ensure_future()的使用</h3>

<p>另外定义 task 对象还有一种方式，就是直接通过 asyncio 的 ensure_future() 方法，返回结果也是 task 对象，这样的话我们就可以不借助于 loop 来定义，即使我们还没有声明 loop 也可以提前定义好 task 对象，写法如下：</p>

<pre>
<code class="language-python">import asyncio
 
async def execute(x):
    print('Number:', x)
    return x
 
coroutine = execute(1)
print('Coroutine:', coroutine)
print('After calling execute')
 
task = asyncio.ensure_future(coroutine)
print('Task:', task)
loop = asyncio.get_event_loop()
loop.run_until_complete(task)
print('Task:', task)
print('After calling loop')</code></pre>

<p>也可以为某个 task 绑定一个回调方法，来看下面的例子：</p>

<pre>
<code class="language-python">import asyncio
import requests
 
async def request():
    url = 'https://www.baidu.com'
    status = requests.get(url).status_code
    return status
 
def callback(task):
    print('Status:', task.result())
 
coroutine = request()
task = asyncio.ensure_future(coroutine)
task.add_done_callback(callback)
print('Task:', task)
 
loop = asyncio.get_event_loop()
loop.run_until_complete(task)
print('Task:', task)</code></pre>

<pre>
<code>Task: <Task pending coro=<request() running at demo.py:5> cb=[callback() at demo.py:11]>
Status: <Response [200]>
Task: <Task finished coro=<request() done, defined at demo.py:5> result=<Response [200]>></code></pre>

<p>在这里我们定义了一个 request() 方法，请求了百度，返回状态码，但是这个方法里面我们没有任何 print() 语句。随后我们定义了一个 callback() 方法，这个方法接收一个参数，是 task 对象，然后调用 print() 方法打印了 task 对象的结果。这样我们就定义好了一个 coroutine 对象和一个回调方法，我们现在希望的效果是，当 coroutine 对象执行完毕之后，就去执行声明的 callback() 方法。</p>

<p>那么它们二者怎样关联起来呢？很简单，只需要调用 add_done_callback() 方法即可，我们将 callback() 方法传递给了封装好的 task 对象，这样当 task 执行完毕之后就可以调用 callback() 方法了，同时 task 对象还会作为参数传递给 callback() 方法，调用 task 对象的 result() 方法就可以获取返回结果了。</p>

高性能异步爬虫---线程and线程池

高性能异步爬虫---多任务异步协程