一、同步與異步

 

#同步編程（同一時間只能做一件事，做完了才能做下一件事情）  
<-a_url-><-b_url-><-c_url->  
#異步編程 (可以近似的理解成同一時間有多個事情在做，但有先后)  
<-a_url->  
  <-b_url->  
    <-c_url->  
      <-d_url->  
        <-e_url->  
          <-f_url->  
            <-g_url->  
              <-h_url->  
                <--i_url-->  
                  <--j_url--> 

 

模板

 

import asyncio 
 
#函數名:做現在的任務時不等待，能繼續做別的任務。 
 
async def donow_meantime_dontwait(url): 
 
    response = await requests.get(url) 
 
#函數名:快速高效的做任務 
 
async def fast_do_your_thing(): 
 
    await asyncio.wait([donow_meantime_dontwait(url) for url in urls]) 
 
#下面兩行都是套路，記住就好 
 
loop = asyncio.get_event_loop() 
 
loop.run_until_complete(fast_do_your_thing()) 

tips:

await表達式中的對象必須是awaitable

requests不支持非阻塞

aiohttp是用于異步請求的庫

代碼

 

import asyncio 
import requests 
import time 
import aiohttp 
urls = ['https://book.douban.com/tag/小說','https://book.douban.com/tag/科幻', 
        'https://book.douban.com/tag/漫畫','https://book.douban.com/tag/奇幻', 
        'https://book.douban.com/tag/歷史','https://book.douban.com/tag/經濟學'] 
async def requests_meantime_dont_wait(url): 
    print(url) 
    async with aiohttp.ClientSession() as session: 
        async with session.get(url) as resp: 
            print(resp.status) 
            print("{url} 得到響應".format(url=url)) 
async def fast_requsts(urls): 
    start = time.time() 
    await asyncio.wait([requests_meantime_dont_wait(url) for url in urls]) 
    end = time.time() 
    print("Complete in {} seconds".format(end - start)) 
loop = asyncio.get_event_loop() 
loop.run_until_complete(fast_requsts(urls)) 

gevent簡介

gevent是一個python的并發庫，它為各種并發和網絡相關的任務提供了整潔的API。

gevent中用到的主要模式是greenlet，它是以C擴展模塊形式接入Python的輕量級協程。 greenlet全部運行在主程序操作系統進程的內部，但它們被協作式地調度。

猴子補丁

requests庫是阻塞式的，為了將requests同步更改為異步。只有將requests庫阻塞式更改為非阻塞，異步操作才能實現。

而gevent庫中的猴子補丁（monkey patch），gevent能夠修改標準庫里面大部分的阻塞式系統調用。這樣在不改變原有代碼的情況下，將應用的阻塞式方法，變成協程式的（異步）。

代碼

 

from gevent import monkey  
import gevent  
import requests  
import time  
 
monkey.patch_all()  
def req(url):  
    print(url)  
    resp = requests.get(url)  
    print(resp.status_code,url)  
 
def synchronous_times(urls): 
 
    """同步請求運行時間"""  
    start = time.time() 
     for url in urls:  
        req(url)  
    end = time.time()  
    print('同步執行時間 {} s'.format(end-start))  
 
def asynchronous_times(urls):  
    """異步請求運行時間"""  
    start = time.time()  
    gevent.joinall([gevent.spawn(req,url) for url in urls])  
    end = time.time()  
    print('異步執行時間 {} s'.format(end - start))  
 
urls = ['https://book.douban.com/tag/小說','https://book.douban.com/tag/科幻',  
        'https://book.douban.com/tag/漫畫','https://book.douban.com/tag/奇幻',  
        'https://book.douban.com/tag/歷史','https://book.douban.com/tag/經濟學']  
 
synchronous_times(urls)  
asynchronous_times(urls) 

 

gevent：異步理論與實戰

gevent庫中使用的最核心的是Greenlet-一種用C寫的輕量級python模塊。在任意時間，系統只能允許一個Greenlet處于運行狀態

一個greenlet遇到IO操作時，比如訪問網絡，就自動切換到其他的greenlet，等到IO操作完成，再在適當的時候切換回來繼續執行。由于IO操作非常耗時，經常使程序處于等待狀態，有了gevent為我們自動切換協程，就保證總有greenlet在運行，而不是等待IO。

串行和異步

高并發的核心是讓一個大的任務分成一批子任務，并且子任務會被被系統高效率的調度，實現同步或者異步。在兩個子任務之間切換，也就是經常說到的上下文切換。

同步就是讓子任務串行，而異步有點影分身之術，但在任意時間點，真身只有一個，子任務并不是真正的并行，而是充分利用了碎片化的時間，讓程序不要浪費在等待上。這就是異步，效率杠桿的。

gevent中的上下文切換是通過yield實現。在這個例子中，我們會有兩個子任務，互相利用對方等待的時間做自己的事情。這里我們使用gevent.sleep(0)代表程序會在這里停0秒。

 

import gevent  
def foo():  
    print('Running in foo')  
    gevent.sleep(0)  
    print('Explicit context switch to foo again')  
 
def bar():  
    print('Explicit context to bar')  
    gevent.sleep(0)  
    print('Implicit context switch back to bar')  
 
gevent.joinall([  
    gevent.spawn(foo),  
    gevent.spawn(bar) 
 
    ]) 

 

運行的順序：

 

Running in foo  
Explicit context to bar  
Explicit context switch to foo again  
Implicit context switch back to bar 

 

同步異步的順序問題

同步運行就是串行，123456...，但是異步的順序是隨機的任意的（根據子任務消耗的時間而定）

代碼

 

import gevent  
import random  
def task(pid):  
    """  
    Some non-deterministic task  
    """  
    gevent.sleep(random.randint(0,2)*0.001)  
    print('Task %s done' % pid)  
 
 
#同步（結果更像串行）  
def synchronous():  
    for i in range(1,10):  
        task(i)  
 
 
#異步（結果更像亂步）  
def asynchronous():  
    threads = [gevent.spawn(task, i) for i in range(10)]  
    gevent.joinall(threads)  
 
 
print('Synchronous同步:')  
synchronous()  
 
 
print('Asynchronous異步:') 
 
asynchronous() 

 

輸出

Synchronous同步:

 

Task 1 done  
Task 2 done  
Task 3 done 
Task 4 done  
Task 5 done  
Task 6 done  
Task 7 done  
Task 8 done  
Task 9 done 

 

Asynchronous異步:

 

Task 1 done  
Task 5 done  
Task 6 done  
Task 2 done  
Task 4 done  
Task 7 done  
Task 8 done  
Task 9 done  
Task 0 done  
Task 3 done 

 

同步案例中所有的任務都是按照順序執行，這導致主程序是阻塞式的（阻塞會暫停主程序的執行）。

gevent.spawn會對傳入的任務（子任務集合）進行進行調度，gevent.joinall方法會阻塞當前程序，除非所有的greenlet都執行完畢，程序才會結束。

實戰

實現gevent到底怎么用，把異步訪問得到的數據提取出來。

在有道詞典搜索框輸入“hello”按回車。觀察數據請求情況 觀察有道的url構建。

分析url規律

 

#url構建只需要傳入word即可 
 
url = "http://dict.youdao.com/w/eng/{}/".format(word) 

 

解析網頁數據

 

def fetch_word_info(word):  
    url = "http://dict.youdao.com/w/eng/{}/".format(word)  
 
    resp = requests.get(url,headers=headers)  
    doc = pq(resp.text)  
    pros = ''  
    for pro in doc.items('.baav .pronounce'):  
        pros+=pro.text()  
 
    description = ''  
    for li in doc.items('#phrsListTab .trans-container ul li'):  
        description +=li.text()  
 
    return {'word':word,'音標':pros,'注釋':description} 

 

因為requests庫在任何時候只允許有一個訪問結束完全結束后，才能進行下一次訪問。無法通過正規途徑拓展成異步，因此這里使用了monkey補丁

同步代碼

 

import requests  
from pyquery import PyQuery as pq  
import gevent  
import time  
import gevent.monkey  
gevent.monkey.patch_all() 
 
words = ['good','bad','cool',  
         'hot','nice','better',  
         'head','up','down',  
         'right','left','east']  
 
def synchronous():  
    start = time.time()  
    print('同步開始了')  
    for word in words:  
        print(fetch_word_info(word))  
    end = time.time()  
    print("同步運行時間： %s 秒" % str(end - start)) 
 
 
#執行同步  
synchronous() 

 

異步代碼

 

import requests  
from pyquery import PyQuery as pq  
import gevent  
import time  
import gevent.monkey  
gevent.monkey.patch_all()  
 
words = ['good','bad','cool',  
         'hot','nice','better',  
         'head','up','down',  
         'right','left','east']  
 
def asynchronous():  
    start = time.time()  
    print('異步開始了')  
    events = [gevent.spawn(fetch_word_info,word) for word in words]  
    wordinfos = gevent.joinall(events)  
    for wordinfo in wordinfos:  
        #獲取到數據get方法  
        print(wordinfo.get())  
    end = time.time()  
    print("異步運行時間： %s 秒"%str(end-start))  
 
#執行異步  
asynchronous() 

 

我們可以對待爬網站實時異步訪問，速度會大大提高。我們現在是爬取12個詞語的信息，也就是說一瞬間我們對網站訪問了12次，這還沒啥問題，假如爬10000+個詞語，使用gevent的話，那幾秒鐘之內就給網站一股腦的發請求，說不定網站就把爬蟲封了。

解決辦法

將列表等分為若干個子列表，分批爬取。舉例我們有一個數字列表（0-19），要均勻的等分為4份，也就是子列表有5個數。下面是我在stackoverflow查找到的列表等分方案：

方法1

 

seqence = list(range(20)) 
 
size = 5 #子列表長度 
 
output = [seqence[i:i+size] for i in range(0, len(seqence), size)] 
 
print(output) 

 

方法2

 

chunks = lambda seq, size: [seq[i: i+size] for i in range(0, len(seq), size)] 
 
print(chunks(seq, 5)) 

 

方法3

 

def chunks(seq,size):  
    for i in range(0,len(seq), size):  
        yield seq[i:i+size]  
prinT(chunks(seq,5))  
    for  x  in chunks(req,5):  
         print(x)  

 

數據量不大的情況下，選哪一種方法都可以。如果特別大，建議使用方法3.

動手實現

 

import requests  
from pyquery import PyQuery as pq  
import gevent  
import time  
import gevent.monkey  
gevent.monkey.patch_all()
 
words = ['good','bad','cool',  
         'hot','nice','better',  
         'head','up','down',  
         'right','left','east']  
 
def fetch_word_info(word):   
    url = "http://dict.youdao.com/w/eng/{}/".format(word)  
 
    resp = requests.get(url,headers=headers)  
    doc = pq(resp.text) 
 
 
    pros = ''  
    for pro in doc.items('.baav .pronounce'):  
        pros+=pro.text()  
 
    description = ''  
    for li in doc.items('#phrsListTab .trans-container ul li'):  
        description +=li.text()  
 
    return {'word':word,'音標':pros,'注釋':description}  
 
 
def asynchronous(words):  
    start = time.time()  
    print('異步開始了')   
 
    chunks = lambda seq, size: [seq[i: i + size] for i in range(0, len(seq), size)] 
 
 
    for subwords in chunks(words,3):  
        events = [gevent.spawn(fetch_word_info, word) for word in subwords]   
        wordinfos = gevent.joinall(events)  
        for wordinfo in wordinfos:  
            # 獲取到數據get方法  
            print(wordinfo.get()) 
 
        time.sleep(1)   
        end = time.time()  
    print("異步運行時間： %s 秒" % str(end - start))  
 
asynchronous(words)