logo

python爬虫控制aiohttp并发数量方式

python爬虫控制aiohttp并发数量方式
在使用aiohttp并发访问多个页面时效率,明显比串行requests快很多,
但是也存在一个问题,就是网站检测到短时间内请求的数量过多会导致页面请求不成成功,
页面返回429 (too many requests)。

解决上述问题

目前想到两个方法

1、控制请求的时间,用sleep延时,来消耗每一次访问的时间,减少单位时间内的访问量,这样肯定是可以,但效率太低
2、控制并发数量,控制并发数量,普遍推荐用信号量来控制使用方法也比较简单如下:
  
  
  
  
  
  
from asyncio import tasks
from aiohttp.client import ClientSession
from lxml import etree
from time import sleep
import time
import asyncio
import aiohttp
async def read_page_list(page_num,sem):
params = {
'page':page_num,
}
#通过连接池控制并发数量 limit 默认为100 0 为无限制
async with sem:
try:
async with aiohttp.ClientSession() as session:
async with session.get(url=url,params=params,headers=headers) as response:
text = await response.text()
except Exception as e:
print('exception:',e)
tree = etree.HTML(text)
page_list = tree.xpath('//*[@id="thumbs"]/section[1]/ul/li')
# break
for li in page_list:
pic_small_url = li.xpath('.//img/@data-src')[0]
# print(pic_small_url,type(pic_small_url))
# pic_small_url = str(pic_small_url)
if 'small' in pic_small_url:
temp_url = pic_small_url.replace('small','full')
a = temp_url.rfind('/')
temp_url1= temp_url[:a]
pic_full_url = temp_url1+'/wallhaven-'+temp_url.split('/')[-1]
pic_full_url = pic_full_url.replace('th','w')
# print(page_num,pic_full_url)
pic_list.append(pic_full_url)
else:
print(page_num,'find small error',pic_small_url)
print(page_num,len(page_list),response.status)
# await asyncio.sleep(1)
#这里可以用硬延时来控制程序的访问速度,进而控制单位时间内并发的数量
# sleep(0.5)
#定义信号量
sem = asyncio.Semaphore(2)
start = time.time()
#建立任务列表
tasks = [loop.create_task(read_page_list(i,sem)) for i in range(1,20)]
loop.run_until_complete(asyncio.wait(tasks))
print('get page list use time:',time.time()-start)

实验结果

如下:
  • 经试验只有当请求页面20个 sem=1时才不会出现服务器返回429.
  • 当把请求页面数量改为10 sem=5是就不会出现服务返回429的情况
评论
用户头像