Python爬虫之使用celery加速爬虫，,??celery是一

Python爬虫之使用celery加速爬虫，,??celery是一

??celery是一个基于分布式消息传输的异步任务队列，它专注于实时处理，同时也支持任务调度。关于celery的更多介绍及例子，笔者可以参考文章Python之celery的简介与使用。
??本文将介绍如何使用celery来加速爬虫。
??本文爬虫的例子来自文章：Python爬虫的N种姿势。这里不再过多介绍，我们的项目结构如下：

其中，app_test.py为主程序，其代码如下：

from celery import Celeryapp = Celery(‘proj‘, include=[‘proj.tasks‘])app.config_from_object(‘proj.celeryconfig‘)if __name__ == ‘__main__‘:    app.start()

tasks.py为任务函数，代码如下：

import reimport requestsfrom celery import groupfrom proj.app_test import app@app.task(trail=True)# 并行调用任务def get_content(urls):    return group(C.s(url) for url in urls)()@app.task(trail=True)def C(url):    return parser.delay(url)@app.task(trail=True)# 获取每个网页的name和descriptiondef parser(url):    req = requests.get(url)    html = req.text    try:        name = re.findall(r‘<span class="wikibase-title-label">(.+?)</span>‘, html)[0]        desc = re.findall(r‘<span class="wikibase-descriptionview-text">(.+?)</span>‘, html)[0]        if name is not None and desc is not None:            return name, desc    except Exception as  err:        return ‘‘, ‘‘

celeryconfig.py为celery的配置文件，代码如下：

BROKER_URL = ‘redis://localhost‘ # 使用Redis作为消息代理CELERY_RESULT_BACKEND = ‘redis://localhost:6379/0‘ # 把任务结果存在了RedisCELERY_TASK_SERIALIZER = ‘msgpack‘ # 任务序列化和反序列化使用msgpack方案CELERY_RESULT_SERIALIZER = ‘json‘ # 读取任务结果一般性能要求不高，所以使用了可读性更好的JSONCELERY_TASK_RESULT_EXPIRES = 60 * 60 * 24 # 任务过期时间CELERY_ACCEPT_CONTENT = [‘json‘, ‘msgpack‘] # 指定接受的内容类型

最后是我们的爬虫文件，scrapy.py，代码如下：

import timeimport requestsfrom bs4 import BeautifulSoupfrom proj.tasks import get_contentt1 = time.time()url = "http://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0"# 请求头部headers = {‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML,             like Gecko) Chrome/67.0.3396.87 Safari/537.36‘}# 发送HTTP请求req = requests.get(url, headers=headers)# 解析网页soup = BeautifulSoup(req.text, "lxml")# 找到name和Description所在的记录human_list = soup.find(id=‘mw-whatlinkshere-list‘)(‘li‘)urls = []# 获取网址for human in human_list:    url = human.find(‘a‘)[‘href‘]    urls.append(‘https://www.wikidata.org‘+url)#print(urls)# 调用get_content函数，并获取爬虫结果result = get_content.delay(urls)res = [v for v in result.collect()]for r in res:    if isinstance(r[1], list) and isinstance(r[1][0], str):        print(r[1])t2 = time.time() # 结束时间print(‘耗时：%s‘ % (t2 - t1))

??在后台启动redis，并切换至proj项目所在目录，运行命令：

celery -A proj.app_test worker -l info

输出结果如下(只显示最后几行的输出)：

......[‘Antoine de Saint-Exupery‘, ‘French writer and aviator‘][‘‘, ‘‘][‘Sir John Barrow, 1st Baronet‘, ‘English statesman‘][‘Amy Johnson‘, ‘pioneering English aviator‘][‘Mike Oldfield‘, ‘English musician, multi-instrumentalist‘][‘Willoughby Newton‘, ‘politician from Virginia, USA‘][‘Mack Wilberg‘, ‘American conductor‘]耗时：80.05160284042358

在rdm中查看数据，如下：

??在文章Python爬虫的N种姿势中，我们已经知道，如果用一般的方法来实现这个爬虫，耗时大约为725秒，而我们使用celery，一共耗时约80秒，大概相当于一般方法的九分之一。虽然没有scrapy这个爬虫框架和异步框架aiohttp, asyncio来的快，但这也可以作为一种爬虫的思路。
??本次分享到此结束，感谢阅读~
注意：本人现已开通微信公众号： Python爬虫与算法（微信号为：easy_web_scrape）， 欢迎大家关注哦~~

Python爬虫之使用celery加速爬虫