用PyCharm Profile分析異步爬蟲效率

第一個代碼如下，就是一個普通的 for 循環爬蟲。

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'https://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()

這段代碼跑完花了37s，然後我們用 pycharm 的 profiler 工具來具體看看哪些地方比較耗時間。

點擊Profile (文件名稱)

之後獲取到得到一個詳細的函數調用關係、耗時圖：

可以看到 get_html 這個方法佔了96.7%的時間。這個程序的 IO 耗時達到了97%，獲取 html 的時候，這段時間內程序就在那死等著。如果我們能夠讓他不要在那兒傻傻地等待 IO 完成，而是開始幹些其他有意義的事，就能節省大量的時間。

稍微做一個計算，試用asyncio異步抓取，能將時間降低多少？

get_html這個方法耗時36.8s，一共調用了15次，說明實際上獲取一個鏈接的 html 的時間為36.8s / 15 = 2.4s。**要是全異步的話，獲取15個鏈接的時間還是2.4s。**然後加上get_title這個函數的耗時0.6s，所以我們估算，改進後的程序將可以用 3s 左右的時間完成，也就是性能能夠提升13倍。

再看下改進後的代碼。

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'https://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()

同樣的步驟生成profile 圖：

可見現在耗時為大約3.8s，基本符合我們的預期了。

最後如果你依然在編程的世界裡迷茫，不知道自己的未來規劃，對python感興趣，小編為初學者們準備的python入門教程！

請私信回覆：“學習”就可以拿到一份我為大家準備的Python學習資料！希望能幫助你更瞭解python，學習python。

閱讀更多 菜鳥帶你學編程 的文章

關鍵字: 函數調用 PyCharm 網絡爬蟲