利用PyCharm Profile分析异步爬虫效率详解


						今天比较忙，水一下

下面的代码来源于这个视频里面提到的，github 的链接为：github.com/mikeckenned…（本地下载）



第一个代码如下，就是一个普通的 for 循环爬虫。原文地址。







import requests

import bs4

from colorama import Fore





def main():

 get_title_range()

 print("Done.")





def get_html(episode_number: int) -> str:

 print(Fore.YELLOW + f"Getting HTML for episode {episode_number}", flush=True)



 url = f'http://talkpython.fm/{episode_number}'

 resp = requests.get(url)

 resp.raise_for_status()



 return resp.text





def get_title(html: str, episode_number: int) -> str:

 print(Fore.CYAN + f"Getting TITLE for episode {episode_number}", flush=True)

 soup = bs4.BeautifulSoup(html, 'html.parser')

 header = soup.select_one('h1')

 if not header:

  return "MISSING"



 return header.text.strip()





def get_title_range():

 # Please keep this range pretty small to not DDoS my site. ;)

 for n in range(185, 200):

  html = get_html(n)

  title = get_title(html, n)

  print(Fore.WHITE + f"Title found: {title}", flush=True)





if __name__ == '__main__':

 main()



这段代码跑完花了37s，然后我们用 pycharm 的 profiler 工具来具体看看哪些地方比较耗时间。



点击Profile (文件名称)



之后获取到得到一个详细的函数调用关系、耗时图：



可以看到 get_html 这个方法占了96.7%的时间。这个程序的 IO 耗时达到了97%，获取 html 的时候，这段时间内程序就在那死等着。如果我们能够让他不要在那儿傻傻地等待 IO 完成，而是开始干些其他有意义的事，就能节省大量的时间。



稍微做一个计算，试用asyncio异步抓取，能将时间降低多少？



get_html这个方法耗时36.8s，一共调用了15次，说明实际上获取一个链接的 html 的时间为36.8s / 15 = 2.4s。**要是全异步的话，获取15个链接的时间还是2.4s。**然后加上get_title这个函数的耗时0.6s，所以我们估算，改进后的程序将可以用 3s 左右的时间完成，也就是性能能够提升13倍。



再看下改进后的代码。原文地址。







import asyncio

from asyncio import AbstractEventLoop



import aiohttp

import requests

import bs4

from colorama import Fore





def main():

 # Create loop

 loop = asyncio.get_event_loop()

 loop.run_until_complete(get_title_range(loop))

 print("Done.")





async def get_html(episode_number: int) -> str:

 print(Fore.YELLOW + f"Getting HTML for episode {episode_number}", flush=True)



 # Make this async with aiohttp's ClientSession

 url = f'http://talkpython.fm/{episode_number}'

 # resp = await requests.get(url)

 # resp.raise_for_status()



 async with aiohttp.ClientSession() as session:

  async with session.get(url) as resp:

   resp.raise_for_status()



   html = await resp.text()

   return html





def get_title(html: str, episode_number: int) -> str:

 print(Fore.CYAN + f"Getting TITLE for episode {episode_number}", flush=True)

 soup = bs4.BeautifulSoup(html, 'html.parser')

 header = soup.select_one('h1')

 if not header:

  return "MISSING"



 return header.text.strip()





async def get_title_range(loop: AbstractEventLoop):

 # Please keep this range pretty small to not DDoS my site. ;)

 tasks = []

 for n in range(190, 200):

  tasks.append((loop.create_task(get_html(n)), n))



 for task, n in tasks:

  html = await task

  title = get_title(html, n)

  print(Fore.WHITE + f"Title found: {title}", flush=True)





if __name__ == '__main__':

 main()



同样的步骤生成profile 图：



可见现在耗时为大约3.8s，基本符合我们的预期了。





总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对中文源码网的支持。