---

theme: nico

最近在知识星球：Python读者圈，遇到读者提问：Python爬虫如何加速？

这个问题涉及到一个爬虫里，甚至是整个Python编程里都非常重要的问题：

如果同时下载1w张图片，如何有效地加速程序运行，缩短下载时间？

今天我们一起来看一下常用的解决方案。

1、为什么慢？

首先我们先看一下，原来的代码里，是什么原因导致程序慢的？ 下面是代码和运行结果：

```python import office

for i in range(1, 18): url = 'http://www.python-office.com/api/img-cdn/test/spider/{}.jpg'.format(str(i)) office.image.down4img(url, output_name=str(i)) ```

顺序执行看起来很完美，但是完美的背后是不是有陷阱呢？

为了更好的理解这个代码，我们先举一个例子：你面前有10台洗衣机编号是从1到10，里面转满了衣服需要你清洗，有的脏可能要强力洗洗的久，有的干净只需要速洗洗的快。

清洗以后，需要你记录下他们的清理顺序，有下列2种方案供你选择： 1. 一个挨一个的洗完。先启动洗衣机1号，等1号洗完了，再启动2号，依次类推。这样你记录的结果和上图一样，是完美的按顺序完成。 2. 先同时打开所有的洗衣机，哪一个洗完了就记录哪一个。因为有的洗得快，有的洗得慢，这样你记录的结果是混乱的。

哪种方式最快呢？毫无疑问是第2种，因为可以让所有的洗衣机同时工作，时间资源可以复用。

回到我们的程序，我们下载一张图片也是分为2步：请求图片资源，保存到本地。

上面的代码之所以慢，就是因为它是请求到第1张的资源，保存到本地之后，再去请求第2张的资源。看起来很完美，但其实问题很大。

如何加快速度呢？我们如果可以先请求到所有的图片资源（打开所有的洗衣机），然后再统一保存图片（哪台洗完衣服，就先记录哪台），这样是不是就会快很多呢？

下面我们按照第2种思路，在Python里的实现实现一下。

2、解决代码

Talk is cheap,show me the code. 先上代码和运行结果。 ```python import asyncio from aiohttp import ClientSession

tasks = [] url = "http://www.python-office.com/api/img-cdn/test/spider/{}.jpg"

async def hello(url, i='wanfeng', type='jpg'): async with ClientSession() as session: async with session.get(url) as response: if response.status==200: response = await response.read() # print(response) async with aiofiles.open('.'.join((str(i), type)), 'wb') as output_img: # for chunk in response: await output_img.write(response) output_img.close() print(f"下载成功，图片名称：{'.'.join((str(i), type))}")

def run(): for i in range(1, 18): task = asyncio.ensure_future(hello(url.format(i), i)) tasks.append(task)

def main(): loop = asyncio.get_event_loop() run() loop.run_until_complete(asyncio.wait(tasks))

if name == 'main': main()

``` 主要使用的库是： - asyncio：协程，让图片下载不按顺序，可以加快速度 - aiohttp：替代requests，用来异步发送请求。 - aiofiles：异步写入文件内容

3、还有其它方法吗？

还有多进程也可以试试，但是多进程更大的优势体现在计算密集型的场景下。 爬虫获取网络请求属于I/O密集型操作，多进程的优势不大。

```python

-- coding:utf-8 --

import multiprocessing import os, time from multiprocessing import Pool

import requests

url = "http://www.python-office.com/api/img-cdn/test/spider/{}.jpg"

def down4img(url, output_name, type): """ 下载指定url的一张图片，支持所有格式:jpg\png\gif .etc """ # print("子进程开始执行>>> pid={},ppid={},编号{}".format(os.getpid(), os.getppid(), output_name))

response = requests.get(url, stream=True)
with open('.'.join((output_name, type)), 'wb') as output_img:
    for chunk in response:
        output_img.write(chunk)
    output_img.close()
    print(f"下载成功，图片名称：{'.'.join((output_name, type))}")
# print("子进程终止>>> pid={},ppid={},编号{}".format(os.getpid(), os.getppid(), output_name))

def main(): print("主进程开始执行>>> pid={}".format(os.getpid())) ps = Pool(multiprocessing.cpu_count()) ps = Pool(3) for i in range(1, 18): # ps.apply(worker,args=(i,)) # 同步执行 output_name = str(i) type = 'jpg' ps.apply_async(down4img, args=(url.format(str(i)), output_name, type,)) # 异步执行 # ps.apply(down4img, args=(url.format(str(i)), output_name[0], type,)) # 同步执行

# 关闭进程池，停止接受其它进程
ps.close()
# 阻塞进程
ps.join()
print("主进程终止")

if name == 'main': main()

``` 主要使用的库是： - multiprocessing：创建进程池

4、写在最后

希望能给你带来帮助。如果想系统的学习Python，欢迎大家扫码加入我的知识星球👉Python读者圈，我们一起学习提高~

我正在参与掘金技术社区创作者签约计划招募活动，点击链接报名投稿。