爬蟲10-1(協程)
阿新 • • 發佈:2020-07-28
預先知道:
1.併發:是指一個時間段中有幾個程式都處於已啟動執行到執行完畢之間,且這幾個程式都是在同一個處理機(CPU)上執行,
但任一個時刻點上只有一個程式在處理機上執行。
2.並行:是指任何時間點,有多個程式執行在多個CPU上(最多和CPU數量一致)
3.同步:是指程式碼呼叫IO操作時,必須等待IO操作完成才能返回的呼叫方式。
4.非同步:是指程式碼呼叫IO操作時,不必等待IO操作完成就能返回的呼叫方式。
5.阻塞:是指呼叫函式的時候當前執行緒被掛起。
6.非阻塞:是指呼叫函式的時候當前執行緒不會被掛起,而是立即返回。
unix下的5大io型別
1阻塞I式/O:系統呼叫不會立即返回結果,當前執行緒會阻塞,等到獲得結果或報錯時在返回(問題:如在呼叫send()的同時,執行緒將被阻塞,
在此期間,執行緒將無法執行任何運算或響應任何的網路請求。) 2非阻塞式I/O:呼叫後立即返回結果(問題:不一定三次握手成功,recv() 會被迴圈呼叫,迴圈呼叫recv()將大幅度推高CPU 佔用率),
做計算任務或者再次發起其他連線就較有優勢 3I/O複用:它的基本原理就是select/epoll這個function會不斷的輪詢所負責的所有socket,當某個socket有資料到達了,就通知使用者程序。
(阻塞式的方法,可以監聽多個socket狀態)(問題:將資料從核心複製到使用者空間的時間不能省) 5非同步I/O:它就像是使用者程序將整個IO操作交給了他人(kernel)完成,然後他人做完後發訊號通知。在此期間,使用者程序不需要去檢查IO操作的狀態,
也不需要主動的去拷貝資料。
通過非阻塞io實現http請求:
import socket from urllib.parse import urlparse def get_url(url): #通過socket請求html url=urlparse(url) host=url.netloc path=url.path if path=="": path="/" #建立socket連線View Codeclient=socket.socket(socket.AF_INET,socket.SOCK_STREAM) #設定成非阻塞(拋異常:BlockingIOError: [WinError 10035] 無法立即完成一個非阻止性套接字操作。) client.setblocking(False) try: client.connect((host,80)) except BlockingIOError as e: pass #向伺服器傳送資料(還未連線會拋異常) while True: try: client.send("GET {} HTTP/1.1\r\nHost:{}\r\nConnection:close\r\n\r\n".format(path, host).encode("utf8")) break except OSError as e: pass #將資料讀取完 data=b"" while True: try: d=client.recv(1024) except BlockingIOError as e: continue if d: data+=d else: break #會將header資訊作為返回字串 data=data.decode('utf8') print(data.split('\r\n\r\n')[1]) client.close() if __name__=='__main__': get_url('http://www.baidu.com')
通過select完成http請求(利用迴圈回撥):
優點:併發性高(驅動整個程式主要是回撥迴圈loop()函式實現,不會等待。沒有執行緒的切換,只有一個執行緒,黨一個URL連線建立完成後就會註冊,然後進入執行)
#自動根據環境選擇poll和epoll from selectors import DefaultSelector,EVENT_READ,EVENT_WRITE selector=DefaultSelector() urls=[] #全域性變數 stop=False class Fetcher: def connected(self, key): #取消註冊 selector.unregister(key.fd) self.client.send("GET {} HTTP/1.1\r\nHost:{}\r\nConnection:close\r\n\r\n".format(self.path, self.host).encode("utf8")) selector.register(self.client.fileno(),EVENT_READ,self.readable) def readable(self,key): d = self.client.recv(1024) if d: self.data += d else: selector.unregister(key.fd) # 會將header資訊作為返回字串 data = self.data.decode('utf8') print(data.split('\r\n\r\n')[1]) self.client.close() urls.remove(self.spider_url) if not urls: global stop stop=True def get_url(self,url): self.spider_url = url url = urlparse(url) self.host = url.netloc self.path = url.path self.data = b"" if self.path == "": self.path = "/" # 建立socket連線 self.client = socket.socket(socket.AF_INET, socket.SOCK_STREAM) self.client.setblocking(False) try: self.client.connect((self.host, 80)) except BlockingIOError as e: pass #註冊寫事件,及回撥函式 selector.register(self.client.fileno(),EVENT_WRITE,self.connected) def loop(): #回撥+事件迴圈+select(poll/epoll) #事件迴圈,不停的呼叫socket的狀態並呼叫對應的回撥函式 #判斷哪個可讀可寫,select本身不支援register模式 #socket狀態變化後的回撥使用程式設計師完成的 if not stop: while True: ready=selector.select() for key,mask in ready: call_back=key.data call_back(key) if __name__=='__main__': fetcher=Fetcher() fetcher.get_url('http://www.baidu.com') loop()View Code
協程:不帶返回值的函式呼叫,是一個可以暫停的函式。
解決方案:採用同步的方式編寫非同步的程式碼;採用單執行緒去解決任務。
協程的排程:時間迴圈+協程模式
#生成器是可以暫停的函式 import inspect # def gen_func(): # value=yield from # #第一返回值給呼叫方, 第二呼叫方通過send方式返回值給gen # return "bobby" #1. 用同步的方式編寫非同步的程式碼, 在適當的時候暫停函式並在適當的時候啟動函式 import socket def get_socket_data(): yield 1 def downloader(url): client = socket.socket(socket.AF_INET, socket.SOCK_STREAM) client.setblocking(False) try: client.connect((host, 80)) # 阻塞不會消耗cpu except BlockingIOError as e: pass selector.register(self.client.fileno(), EVENT_WRITE, self.connected) #如果get_socket_data()中出現異常,會直接拋給downloader(向上拋) source = yield from get_socket_data() data = source.decode("utf8") html_data = data.split("\r\n\r\n")[1] print(html_data) def download_html(html): html = yield from downloader() if __name__ == "__main__": #協程的排程依然是 事件迴圈+協程模式 ,協程是單執行緒模式 pass