【Python3爬蟲】快就完事了--使用Celery加速你的爬蟲

一、寫在前面

　　在上一篇博客中提到過對於網絡爬蟲這種包含大量網絡請求的任務，是可以用Celery來做到加速爬取的，那么，這一篇博客就要具體說一下怎么用Celery來對我們的爬蟲進行一個加速！

 

二、知識補充

1.class celery.group

　　group這個類表示創建一組要並行執行的任務，不過一組任務是懶惰的，所以你需要運行並對其進行評估。要了解這個類，可以查看文檔，或者在Pycharm中直接Ctrl+左鍵就能直接查看源碼了，如下圖：

　　

　　當然了，直接看源碼還不夠，最好還是自己動下手。所以先創建一個test.py，其中代碼如下：

from celery import Celery


app = Celery("test", broker="redis://127.0.0.1:6379", backend="redis://127.0.0.1:6379")


@app.task
def add(x, y):
    return x + y


if __name__ == '__main__':
    app.start()

　　然后運行Celery服務器，再在test.py所在目錄下創建一個test_run.py用於測試，其中代碼如下：

from celery import group
from .test import add


lazy_group = group(add.s(2, 2), add.s(4, 4))
print(type(lazy_group))
result = lazy_group()
print(result)
print(type(result))
print(result.get())

　　在Pycharm中運行test_run.py，得到的結果如下：

<class 'celery.canvas.group'>

fe54f453-eb9c-4b24-87e3-a26fab75967f

<class 'celery.result.GroupResult'>

[4, 8]

 　　通過查看源碼可以知道，是可以往group中傳入一個由任務組成的可迭代對象的，所以這就進行一下測試，對上面的代碼進行一點修改：

from celery import group
from CelerySpider.test import add


lazy_group = group(add.s(x, y) for x, y in zip([1, 3, 5, 7, 9], [2, 4, 6, 8, 10]))
result = lazy_group()
print(result)
print(result.get())

　　運行之后得到了我們想要的結果：

f03387f1-af00-400b-b58a-37901563251d

[3, 7, 11, 15, 19]

2.celer.result.collect()

　　在Celery中有一個類result，這個類包含了任務運行的結果和狀態等，而在這個類中就有一個collect()方法，使用該方法能在結果返回時收集結果。和之前一樣的步驟，先看看源碼：

　　

　　這里看源碼也是看得一頭霧水，不如動手寫代碼試試看。創建一個app.py，其中代碼如下：

from celery import Celery, group, result


app = Celery("test", broker="redis://127.0.0.1:6379", backend="redis://127.0.0.1:6379")


@app.task(trail=True)
def A(how_many):
    return group(B.s(i) for i in range(how_many))()


@app.task(trail=True)
def B(i):
    return pow2.delay(i)


@app.task(trail=True)
def pow2(i):
    return i ** 2


if __name__ == '__main__':
    app.start()

　　可以看到在設置任務的時候都加了參數trail=True，這是為了存儲子任務列表運行后的結果，雖然是默認設置，但這里明確啟用。在運行Celery服務器之中，進入app.py同級目錄，輸入python，然后執行如下代碼：

>>> from app import A
>>> res = A.delay(10)
>>> [i[1] for i in res.collect() if isinstance(i[1], int)]
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

 

三、具體步驟

1.項目結構

　　這個爬蟲項目的基本文件如下：

　　

　　其中app.py用於創建Celery實例，celeryconfig.py是Celery需要使用的配置文件，tasks.py里面的則是具體的任務，crawl.py是爬蟲腳本，在打開Celery服務器之后，運行此文件即可。

2.主要代碼

　　首先是app.py，代碼如下，其中config_from_object()方法用於配置Celery，傳入的參數是一個可被導入的模塊：

from celery import Celery


app = Celery("spiders", include=["CelerySpider.tasks"])
# 導入配置文件
app.config_from_object("CelerySpider.celeryconfig")


if __name__ == '__main__':
    app.start()

 　　下面是tasks.py中的代碼，其中包含了發送請求和解析網頁的代碼：

import requests
from lxml import etree
from celery import group
from CelerySpider.app import app


headers = {
    "Cookie": "__cfduid=d5d815918f19b7370d14f80fc93f1f27e1566719058; UM_distinctid=16cc7bba92f7b6-0aac860ea9b9a7-7373e61-144000-16cc7bba930727; CNZZDATA1256911977=1379501843-1566718872-https%253A%252F%252Fwww.baidu.com%252F%7C1566718872; XSRF-TOKEN=eyJpdiI6InJvNVdZM0krZ1wvXC9BQjg3YUk5aGM1Zz09IiwidmFsdWUiOiI5WkI4QU42a0VTQUxKU2ZZelVxK1dFdVFydlVxb3g0NVpicEdkSGtyN0Uya3VkXC9pUkhTd2plVUtUTE5FNWR1aCIsIm1hYyI6Ijg4NjViZTQzNGRhZDcxNTdhMDZlMWM5MzI4NmVkOGZhNmRlNTBlYWM0MzUyODIyOWQ4ZmFhOTUxYjBjMTRmNDMifQ%3D%3D; doutula_session=eyJpdiI6IjFoK25pTG50azEwOXlZbmpWZGtacnc9PSIsInZhbHVlIjoiVGY2MU5Ob2pocnJsNVBLZUNMTWw5OVpjT0J6REJmOGVpSkZwNFlUZVwvd0tsMnZsaiszWEpTbEdyZFZ6cW9UR1QiLCJtYWMiOiIxZGQzNTJlNzBmYWE0MmQzMzQ0YzUzYmYwYmMyOWY3YzkxZjJlZTllNDdiZTlkODA2YmQ3YWRjNGRmZDgzYzNmIn0%3D",
    "Referer": "https://www.doutula.com/article/list/?page=1",
    "UserAgent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36"
}


@app.task(trail=True)
def main(urls):
    # 主函數
    return group(call.s(url) for url in urls)()


@app.task(trail=True)
def call(url):
    # 發送請求
    try:
        res = requests.get(url, headers=headers)
        parse.delay(res.text)
    except Exception as e:
        print(e)


@app.task(trail=True)
def parse(html):
    # 解析網頁    
    et = etree.HTML(html)
    href_list = et.xpath('//*[@id="home"]/div/div[2]/a/@href')
    result = []
    for href in href_list:
        href_res = requests.get(href, headers=headers)
        href_et = etree.HTML(href_res.text)
        src_list = href_et.xpath('//*[@class="artile_des"]/table/tbody/tr/td/a/img/@src') 
        result.extend(src_list)
    return result

　　最后是crawl.py中的代碼：

import time
from CelerySpider.tasks import main


start_time = time.time()


url_list = ["https://www.doutula.com/article/list/?page={}".format(i) for i in range(1, 31)]
res = main.delay(url_list)
all_src = []
for i in res.collect():
    if isinstance(i[1], list) and isinstance(i[1][0], str):
        all_src.extend(i[1])

print("Src count: ", len(all_src))


end_time = time.time()
print("Cost time: ", end_time - start_time)

 　　此次爬取的網站是一個表情包網站，url_list就表示要爬取的url，這里我選擇爬取30頁來測試。all_src用於存儲表情包圖片的資源鏈接，通過collect()方法提取出要爬取的鏈接，然后將這些表情包下載下來，最后打印出下載的圖片數量和整個程序所耗費的時間。

 

 四、運行結果

　　當運行Celery服務后，再運行crawl.py文件，會看到如下信息打印出來：

　　

　　當整個爬蟲運行完畢后，會打印出所耗費的時間：

　　

 

　　完整代碼已上傳到GitHub！