python

关注公众号 jb51net

关闭
首页 > 脚本专栏 > python > python爬虫控制aiohttp并发数量

python爬虫控制aiohttp并发数量方式

作者:NULL_1969

这篇文章主要介绍了python爬虫控制aiohttp并发数量方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教

前言

在使用aiohttp并发访问多个页面时效率,明显比串行requests快很多,

但是也存在一个问题,就是网站检测到短时间内请求的数量过多会导致页面请求不成成功,

页面返回429 (too many requests)。

解决上述问题

目前想到两个方法

1、控制请求的时间,用sleep延时,来消耗每一次访问的时间,减少单位时间内的访问量,这样肯定是可以,但效率太低

2、控制并发数量,控制并发数量,普遍推荐用信号量来控制使用方法也比较简单如下:

from asyncio import tasks
from aiohttp.client import ClientSession
from lxml import etree
from time import sleep
import time
import asyncio
import aiohttp

async def read_page_list(page_num,sem):
    params = {
        'page':page_num,
    }
    #通过连接池控制并发数量 limit 默认为100  0 为无限制
    async with sem:
        try:
            async with aiohttp.ClientSession() as session:
                async with session.get(url=url,params=params,headers=headers) as response:
                    text = await response.text()
        except Exception as e:
            print('exception:',e)
        
        tree = etree.HTML(text)
        page_list = tree.xpath('//*[@id="thumbs"]/section[1]/ul/li')
        # break
        for li in page_list:
            pic_small_url = li.xpath('.//img/@data-src')[0]
            # print(pic_small_url,type(pic_small_url))
            # pic_small_url = str(pic_small_url)
            if 'small' in pic_small_url:
                temp_url = pic_small_url.replace('small','full')
                a = temp_url.rfind('/')
                temp_url1= temp_url[:a]
                pic_full_url = temp_url1+'/wallhaven-'+temp_url.split('/')[-1]
                pic_full_url = pic_full_url.replace('th','w')
                # print(page_num,pic_full_url)
                pic_list.append(pic_full_url)
            else:
                print(page_num,'find small error',pic_small_url)
            
        print(page_num,len(page_list),response.status)
        # await asyncio.sleep(1)
        #这里可以用硬延时来控制程序的访问速度,进而控制单位时间内并发的数量
        # sleep(0.5)

#定义信号量
sem = asyncio.Semaphore(2)

start = time.time()
#建立任务列表
tasks = [loop.create_task(read_page_list(i,sem)) for i in range(1,20)]
loop.run_until_complete(asyncio.wait(tasks))
print('get page list use time:',time.time()-start)


实验结果

如下:

总结

以上为个人经验,希望能给大家一个参考,也希望大家多多支持脚本之家。

您可能感兴趣的文章:
阅读全文