为 aiohttp 爬虫注入灵魂
听说过异步爬虫的同学，应该或多或少听说过aiohttp这个库。它通过 Python 自带的async/await实现了异步爬虫。
使用 aiohttp，我们可以通过 requests 的api写出并发量匹敌 Scrapy 的爬虫。
我们在 aiohttp 的官方文档上面，可以看到它给出了一个代码示例，如下图所示：
我们现在稍稍修改一下，来看看这样写爬虫，运行效率如何。
修改以后的代码如下：
import asyncio
import aiohttp
template = 'http://exercise.kingname.info/exercise_middleware_ip/{page}'
async def get(session, page):
url = template.format(page=page)
resp = await session.get(url)
print(await resp.text(encoding='utf-8'))
async def main():
async with aiohttp.ClientSession() as session:
for page in range(100):
await get(session, page)
loop = asyncio.get_event_loop()
loop.run_until_complete(main())
这段代码访问我的爬虫练习站100次，获取100页的内容。
大家可以通过下面这个视频看看它的运行效率：
可以说，目前这个运行速度，跟 requests 写的单线程爬虫几乎没有区别，代码还多了那么多。
那么，应该如何正确释放 aiohttp 的超能力呢？
我们现在把代码做一下修改：
import asyncio
import aiohttp
template = 'http://exercise.kingname.info/exercise_middleware_ip/{page}'
async def get(session, queue):
while True:
try:
page = queue.get_nowait()
except asyncio.QueueEmpty:
return
url = template.format(page=page)
resp = await session.get(url)
print(await resp.text(encoding='utf-8'))
async def main():
async with aiohttp.ClientSession() as session:
queue = asyncio.Queue()
for page in range(1000):
queue.put_nowait(page)
tasks = []
for _ in range(100):
task = get(session, queue)
tasks.append(task)
await asyncio.wait(tasks)
loop = asyncio.get_event_loop()
loop.run_until_complete(main())
在修改以后的代码里面，我让这个爬虫爬1000页的内容，我们来看看下面这个视频。
可以看到，目前这个速度已经可以跟 Scrapy 比一比了。并且大家需要知道，这个爬虫只有1个进程1个线程，它是通过异步的方式达到这个速度的。
那么，修改以后的代码，为什么速度能快那么多呢？
关键的代码，就在：
tasks = []
for _ in range(100):
task = get(session, queue)
tasks.append(task)
await asyncio.wait(tasks)
在慢速版本里面，我们只有1个协程在运行。而在现在这个快速版本里面，我们创建了100个协程，并把它提交给asyncio.wait来统一调度。asyncio.wait会在所有协程全部结束的时候才返回。
我们把1000个 URL 放在asyncio.Queue生成的一个异步队列里面，每一个协程都通过 while True 不停从这个异步队列里面取 URL 并进行访问，直到异步队列为空，退出。
当程序运行时，Python 会自动调度这100个协程，当一个协程在等待网络 IO 返回时，切换到第二个协程并发起请求，在这个协程等待返回时，继续切换到第三个协程并发起请求……。程序充分利用了网络 IO 的等待时间，从而大大提高了运行速度。
最后，感谢实习生小河给出的这种加速方案。
腾讯云开发者
