于异步IO这个概念，可能有些小猿们不是非常明白，那就先来看看异步IO是怎么回事儿。

为了大家能够更形象得理解这个概念，我们拿放羊来打个比方：

• 下载请求开始，就是放羊出去吃草；
• 下载任务完成，就是羊吃饱回羊圈。

同步放羊的过程就是这样的：

羊倌儿小同要放100只羊，他就先放一只羊出去吃草，等羊吃饱了回来在放第二只羊，等第二只羊吃饱了回来再放第三只羊出去吃草……这样放羊的羊倌儿实在是……

再看看异步放羊的过程：

羊倌儿小异也要放100只羊，他观察后发现，小同放羊的方法比较笨，他觉得草地一下能容下10只羊（带宽）吃草，所以它就一次放出去10只羊等它们回来，然后他还可以给羊剪剪羊毛。有的羊吃得快回来的早，他就把羊关到羊圈接着就再放出去几只，尽量保证草地上都有10只羊在吃草。

很明显，异步放羊的效率高多了。同样的，网络世界里也是异步的效率高。

到了这里，可能有小猿要问，为什么不用多线程、多进程实现爬虫呢？ 没错，多线程和多进程也可以提高前面那个同步爬虫的抓取效率，但是异步IO提高的更多，也更适合爬虫这个场景。后面机会我们可以对比一下三者抓取的效率。

1. 异步的downloader

还记得我们之前使用requests实现的那个downloader吗？同步情况下，它很好用，但不适合异步，所以我们要先改造它。幸运的是，已经有aiohttp模块来支持异步http请求了，那么我们就用aiohttp来实现异步downloader。

async def fetch(session, url, headers=None, timeout=9):
 _headers = {
 'User-Agent': ('Mozilla/5.0 (compatible; MSIE 9.0; '
 'Windows NT 6.1; Win64; x64; Trident/5.0)'),
 }
 if headers:
 _headers = headers
 try:
 async with session.get(url, headers=_headers, timeout=timeout) as response:
 status = response.status
 html = await response.read()
 encoding = response.get_encoding()
 if encoding == 'gb2312':
 encoding = 'gbk'
 html = html.decode(encoding, errors='ignore')
 redirected_url = str(response.url)
 except Exception as e:
 msg = 'Failed download: {} | exception: {}, {}'.format(url, str(type(e)), str(e))
 print(msg)
 html = ''
 status = 0
 redirected_url = url
 return status, html, redirected_url

• 这个异步的downloader，我们称之为fetch()，它有两个必须参数：
• seesion： 这是一个aiohttp.ClientSession的对象，这个对象的初始化在crawler里面完成，每次调用fetch()时，作为参数传递。

url：这是需要下载的网址。

实现中使用了异步上下文管理器（async with），编码的判断我们还是用cchardet来实现。

有了异步下载器，我们的异步爬虫就可以写起来啦～

2. 异步新闻爬虫

跟同步爬虫一样，我们还是把整个爬虫定义为一个类，它的主要成员有：

• self.urlpool 网址池
• self.loop 异步的事件循环
• self.seesion aiohttp.ClientSession的对象，用于异步下载
• self.db 基于aiomysql的异步数据库连接
• self._workers 当前并发下载（放出去的羊）的数量

通过这几个主要成员来达到异步控制、异步下载、异步存储（数据库）的目的，其它成员作为辅助。爬虫类的相关方法，参加下面的完整实现代码：

#!/usr/bin/env python3
# File: news-crawler-async.py
# Author: veelion
import traceback
import time
import asyncio
import aiohttp
import urllib.parse as urlparse
import farmhash
import lzma
import uvloop
asyncio.set_event_loop_policy(uvloop.EventLoopPolicy())
import sanicdb
from urlpool import UrlPool
import functions as fn
import config
class NewsCrawlerAsync:
 def __init__(self, name):
 self._workers = 0
 self._workers_max = 30
 self.logger = fn.init_file_logger(name+ '.log')
 self.urlpool = UrlPool(name)
 self.loop = asyncio.get_event_loop()
 self.session = aiohttp.ClientSession(loop=self.loop)
 self.db = sanicdb.SanicDB(
 config.db_host,
 config.db_db,
 config.db_user,
 config.db_password,
 loop=self.loop
 )
 async def load_hubs(self,):
 sql = 'select url from crawler_hub'
 data = await self.db.query(sql)
 self.hub_hosts = set()
 hubs = []
 for d in data:
 host = urlparse.urlparse(d['url']).netloc
 self.hub_hosts.add(host)
 hubs.append(d['url'])
 self.urlpool.set_hubs(hubs, 300)
 async def save_to_db(self, url, html):
 urlhash = farmhash.hash64(url)
 sql = 'select url from crawler_html where urlhash=%s'
 d = await self.db.get(sql, urlhash)
 if d:
 if d['url'] != url:
 msg = 'farmhash collision: %s <=> %s' % (url, d['url'])
 self.logger.error(msg)
 return True
 if isinstance(html, str):
 html = html.encode('utf8')
 html_lzma = lzma.compress(html)
 sql = ('insert into crawler_html(urlhash, url, html_lzma) '
 'values(%s, %s, %s)')
 good = False
 try:
 await self.db.execute(sql, urlhash, url, html_lzma)
 good = True
 except Exception as e:
 if e.args[0] == 1062:
 # Duplicate entry
 good = True
 pass
 else:
 traceback.print_exc()
 raise e
 return good
 def filter_good(self, urls):
 goodlinks = []
 for url in urls:
 host = urlparse.urlparse(url).netloc
 if host in self.hub_hosts:
 goodlinks.append(url)
 return goodlinks
 async def process(self, url, ishub):
 status, html, redirected_url = await fn.fetch(self.session, url)
 self.urlpool.set_status(url, status)
 if redirected_url != url:
 self.urlpool.set_status(redirected_url, status)
 # 提取hub网页中的链接, 新闻网页中也有“相关新闻”的链接，按需提取
 if status != 200:
 return
 if ishub:
 newlinks = fn.extract_links_re(redirected_url, html)
 goodlinks = self.filter_good(newlinks)
 print("%s/%s, goodlinks/newlinks" % (len(goodlinks), len(newlinks)))
 self.urlpool.addmany(goodlinks)
 else:
 await self.save_to_db(redirected_url, html)
 self._workers -= 1
 async def loop_crawl(self,):
 await self.load_hubs()
 last_rating_time = time.time()
 counter = 0
 while 1:
 tasks = self.urlpool.pop(self._workers_max)
 if not tasks:
 print('no url to crawl, sleep')
 await asyncio.sleep(3)
 continue
 for url, ishub in tasks.items():
 self._workers += 1
 counter += 1
 print('crawl:', url)
 asyncio.ensure_future(self.process(url, ishub))
 gap = time.time() - last_rating_time
 if gap > 5:
 rate = counter / gap
 print('\tloop_crawl() rate:%s, counter: %s, workers: %s' % (round(rate, 2), counter, self._workers))
 last_rating_time = time.time()
 counter = 0
 if self._workers > self._workers_max:
 print('====== got workers_max, sleep 3 sec to next worker =====')
 await asyncio.sleep(3)
 def run(self):
 try:
 self.loop.run_until_complete(self.loop_crawl())
 except KeyboardInterrupt:
 print('stopped by yourself!')
 del self.urlpool
 pass
if __name__ == '__main__':
 nc = NewsCrawlerAsync('yrx-async')
 nc.run()

爬虫的主流程是在方法loop_crawl()里面实现的。它的主体是一个while循环，每次从self.urlpool里面获取定量的爬虫作为下载任务（从羊圈里面选出一批羊），通过ensure_future()开始异步下载（把这些羊都放出去）。而process()这个方法的流程是下载网页并存储、提取新的url，这就类似羊吃草、下崽等。

通过self._workers和self._workers_max来控制并发量。不能一直并发，给本地CPU、网络带宽带来压力，同样也会给目标服务器带来压力。

至此，我们实现了同步和异步两个新闻爬虫，分别实现了NewsCrawlerSync和NewsCrawlerAsync两个爬虫类，他们的结构几乎完全一样，只是抓取流程一个是顺序的，一个是并发的。小猿们可以通过对比两个类的实现，来更好的理解异步的流程。

爬虫知识点

1. uvloop模块

uvloop这个模块是用Cython编写建立在libuv库之上，它是asyncio内置事件循环的替代，使用它仅仅是多两行代码而已：

import uvloop
asyncio.set_event_loop_policy(uvloop.EventLoopPolicy())

uvloop使得asyncio很快，比odejs、gevent和其它Python异步框架的快至少2倍，接近于Go语言的性能。

uvloop作者的性能测试

这是uvloop作者的性能对比测试。

目前，uvloop不支持Windows系统和Python 3.5 及其以上版本，这在它源码的setup.py文件中可以看到：

if sys.platform in ('win32', 'cygwin', 'cli'):
 raise RuntimeError('uvloop does not support Windows at the moment')
vi = sys.version_info
if vi < (3, 5):
 raise RuntimeError('uvloop requires Python 3.5 or greater')

所以，使用Windows的小猿们要运行异步爬虫，就要把uvloop那两行注释掉哦。

思考题

1. 给同步的downloader()或异步的fetch()添加功能

或许有些小猿还没见过这样的html代码，它出现在<head>里面:

<meta http-equiv="refresh" content="5; url=https://example.com/">

它的意思是，告诉浏览器在5秒之后跳转到另外一个url：https://example.com/。

那么问题来了，请给downloader（fetch()）添加代码，让它支持这个跳转。

2. 如何控制hub的刷新频率，及时发现最新新闻

这是我们写新闻爬虫要考虑的一个很重要的问题，我们实现的新闻爬虫中并没有实现这个机制，小猿们来思考一下，并对手实现实现。

网友留言问怎么用python抓取小说，今天小编就给大家分享一下用python抓取起点中文网的免费小说教程，用到的库有urllib2、BeautifulSoup，下面就来看看吧！（关注并私信我python，给你发价值万元的python学习教程。