协程爬虫python2 python3.8协程

转载

mob64ca140ee96c 2023-11-05 13:11:45

文章标签 协程爬虫python2 c++ 协程 coroutine c++ 迭代器 Python 文章分类 Python 后端开发

协程爬虫python2 python3.8协程_coroutine c++

目前 Python 语言的协程从实现来说可分为两类：

一种是基于传统生成器的协程，叫做 generator-based coroutines，通过包装 generator 对象实现。
另一种在 Python 3.5 版本 PEP 492 诞生，叫做 native coroutines，即通过使用 async 语法来声明的协程。

本文主要介绍第二种，第一种基于生成器的协程已在 Python 3.8 中弃用，并计划在 Python 3.10 中移除。本文是「介绍」，就先不讨论太多实现原理的东西，感兴趣的童鞋可以继续关注后面的文章。

协程(coroutine)

首先，来看一个非常简单的例子：

import asyncio

async def c():
    await asyncio.sleep(1)
    return 'Done  '

这个被 async 修饰的函数 c 就是一个协程函数，该函数会返回一个协程对象。

In [1]: asyncio.iscoroutinefunction(c)
Out[1]: True

In [2]: c()
Out[2]: <coroutine object c at 0x107b0f748>

In [3]: asyncio.iscoroutine(c())
Out[3]: True

一般来说，协程函数 c 应具有以下特点：

一定会返回一个协程对象，而不管其中是否有 await 表达式。
函数中不能再使用 yield from。
函数内部可通过 await 表达式来挂起自身协程，并等待另一个协程完成直到返回结果。
await 表达式后面可以跟的一定是一个可等待对象，而不仅仅是协程对象。
不可在 async 修饰的协程函数外使用 await 关键字，否则会引发一个 SyntaxError。
当对协程对象进行垃圾收集时，如果从未等待过它，则会引发一个 RuntimeWarning（如果你刚开始写 async，那你一定遇得到，不经意间就会忘掉一个 await)。

下面分别介绍下上面提到的两个概念，可等待对象和协程对象。

可等待对象(awaitable)

我们来看 collections.abc 模块中对 Awaitable 类的定义：

class Awaitable(metaclass=ABCMeta):

    __slots__ = ()

    @abstractmethod
    def __await__(self):
        yield

    @classmethod
    def __subclasshook__(cls, C):
        if cls is Awaitable:
            return _check_methods(C, "__await__")
        return NotImplemented

可见，可等待对象主要实现了一个 __await__ 方法。且该方法必须返回一个迭代器(iterator) ①，否则将会引发一个 TypeError。

主要实现是因为 await 表达式需要跟老的基于生成器的协程相兼容，即通过使用 types.coroutine() 或 asyncio.coroutine() 装饰器返回的生成器迭代器对象(generator iterator)也属于可等待对象，但它们并未实现 __await__ 方法。

协程对象(Coroutine)

同样的，我们来看 collections.abc 模块中对 Coroutine 类的定义：

class Coroutine(Awaitable):

    __slots__ = ()

    @abstractmethod
    def send(self, value):
        """Send a value into the coroutine.
        Return next yielded value or raise StopIteration.
        """
        raise StopIteration

    @abstractmethod
    def throw(self, typ, val=None, tb=None):
        """Raise an exception in the coroutine.
        Return next yielded value or raise StopIteration.
        """
        if val is None:
            if tb is None:
                raise typ
            val = typ()
        if tb is not None:
            val = val.with_traceback(tb)
        raise val

    def close(self):
        """Raise GeneratorExit inside coroutine.
        """
        try:
            self.throw(GeneratorExit)
        except (GeneratorExit, StopIteration):
            pass
        else:
            raise RuntimeError("coroutine ignored GeneratorExit")

    @classmethod
    def __subclasshook__(cls, C):
        if cls is Coroutine:
            return _check_methods(C, '__await__', 'send', 'throw', 'close')
        return NotImplemented

由上可知，由于继承关系，协程对象是属于可等待对象的。

除了协程 Coroutine 对象外，目前常见的可等待对象还有两种：asyncio.Task 和 asyncio.Future，下文中介绍。

协程的执行可通过调用 __await__() 并迭代其结果进行控制。当协程结束执行并返回时，迭代器会引发 StopIteration 异常，并通过该异常的 value 属性来传播协程的返回值。下面看一个简单的例子：

In [4]: c().send(None)
Out[4]: <Future pending>

In [5]: async def c1():
   ...:     return "Done  "
   ...:
In [6]: c1().send(None)
Out[6]: StopIteration: Done

运行

协程的运行需要在一个 EventLoop 中进行，由它来控制异步任务的注册、执行、取消等。其大致原理是：

把传入的所有异步对象（准确的说是可等待对象，如 Coroutine， Task 等，见下文）都注册到这个 EventLoop 上，EventLoop 会循环执行这些异步对象，但同时只执行一个，当执行到某个对象时，如果它正在等待其他对象（I/O 处理）返回，事件循环会暂停它的执行去执行其他的对象。当某个对象完成 I/O 处理后，下次循环到它的时候会获取其返回值然后继续向下执行。这样以来，所有的异步任务就可以协同运行。

EventLoop 接受的对象必须为可等待对象，目前主要有三种类型即 Coroutine, Task 和 Future。

下面简单的介绍下 Task 和 Future：

Future 是一种特殊的低级的可等待对象，用来支持底层回调式代码与高层 async/await 式的代码交互，是对协程底层实现的封装，其表示一个异步操作的最终结果。它提供了设置和获取 Future 执行状态或结果等操作的接口。Future 实现了 __await__ 协议，并通过 __iter__ = __await__ 来兼容老式协程。一般来说，我们不需要关心这玩意儿，日常的开发也是不需要要用到它的。如有需要，就用其子类 Task。
Task 用来协同的调度协程以实现并发，并提供了相应的接口供我们使用。

创建一个 Task 非常简单：

In [6]: loop = asyncio.get_event_loop()
In [7]: task = loop.create_task(c())

In [8]: task
Out[8]: <Task pending coro=<c() running at <ipython-input-1-3afd2bbb1944>:3>>

In [9]: task.done()
Out[9]: False

In [10]: task.cancelled()
Out[10]: False

In [11]: task.result()
Out[11]: InvalidStateError: Result is not set.

In [12]: await task
Out[12]: 'Done  '

In [13]: task
Out[13]: <Task finished coro=<c() done, defined at <ipython-input-1-3afd2bbb1944>:3> result='Done  '>
In [14]: task.done()
Out[14]: True
In [15]: task.result()
Out[15]: 'Done  '

In [16]: task = loop.create_task(c())
In [17]: task.cancel()
Out[17]: True
In [18]: await task
Out[18]: CancelledError:

上面说到，协程的运行需要在一个 EventLoop 中进行，在 Python 3.7 之前，你只能这么写 :

In [19]: loop = asyncio.get_event_loop()
In [20]: loop.run_until_complete(c())
Out[20]: 'Done  '
In [21]: loop.close()

Python 3.7 及以上版本可以直接使用 asyncio.run() :

In [22]: asyncio.run(c())
Out[22]: 'Done  '

并发

有些童鞋可能有疑问了，我写好了一个个协程函数，怎样才能并发的运行？

asyncio 提供了相应的两个接口：asyncio.gather 和 asyncio.wait 来支持:

async def c1():
    await asyncio.sleep(1)
    print('c1 done')
    return True

async def c2():
    await asyncio.sleep(2)
    print('c2 done')
    return True

async def c12_by_gather():
    await asyncio.gather(c1(), c2())

async def c12_by_awit():
    await asyncio.wait([c1(), c2()])
In [23]: asyncio.run(c12_by_gather())
c1 done
c2 done

In [24]: asyncio.run(c12_by_awit())
c1 done
c2 done

其它

上面我们介绍了 PEP 492 coroutine 的基础使用，同时 PEP 492 也相应提出了基于 async with 和 async for 表达式的异步上下文管理器（asynchronous context manager）和异步迭代器（asynchronous iterator）。

下面的介绍的示例将基于 Python 可迭代对象, 迭代器和生成器里的示例展开，建议感兴趣的同学可以先看下这篇文章。

异步上下文管理器

在 Python 中，我们常会通过实现 __enter__() 和 __exit__() 方法来实现一个上下文管理器：

In [1]: class ContextManager:
   ...:
   ...:     def __enter__(self):
   ...:         print('enter...')
   ...:
   ...:     def __exit__(slef, exc_type, exc_val, exc_tb):
   ...:         print('exit...')
   ...:

In [2]: with ContextManager():
   ...:     print('Do something...')
   ...:
enter...
Do something...
exit...

同样的，在异步编程时我们可以通过实现 __aenter__() 和 __aexit__() 方法来实现一个上下文管理器，并通过 async with 表达式来使用。

In [1]: class AsyncContextManager:
   ...:
   ...:     async def __aenter__(self):
   ...:         print('async enter...')
   ...:
   ...:     async def __aexit__(slef, exc_type, exc_val, exc_tb):
   ...:         print('async exit...')
   ...:

In [2]: async with AsyncContextManager():
   ...:     print('Do something...')
   ...:
async enter...
Do something...
async exit...

异步迭代

在之前的文章 Python 可迭代对象, 迭代器和生成器中，我们介绍了通过实现 __iter__() 方法来实现一个可迭代对象，通过实现迭代器协议 __iter__() 和 __next__() 方法来实现一个迭代器对象。下面我们改造下之前的例子，实现一个异步的版本。

class AsyncLinkFinder:

    PATTERN = "(?<=href=").+?(?=")|(?<=href=').+?(?=')"

    def __init__(self, text):
        self.links = re.findall(self.PATTERN, text)

    def __aiter__(self):
        return AsyncLinkIiterator(self.links)

class AsyncLinkIiterator:

    def __init__(self, links):
        self.links = links
        self.index = 0

    async def _gen_link(self):
        try:
            link = self.links[self.index]
            self.index += 1
        except IndexError:
            link = None
        return link

    def __aiter__(self):
        return self

    async def __anext__(self):
        link = await self._gen_link()
        if link is None:
            raise StopAsyncIteration
        return link
In [7]: async for s in AsyncLinkFinder(TEXT):
    ...:     print(s)
https://blog.python.org
http://feedproxy.google.com/~r/PythonSoftwareFoundationNew/~3/T3r7qZxo-xg/python-software-foundation-fellow.html
http://feedproxy.google.com/~r/PythonSoftwareFoundationNews/~3/lE0u-5MIUQc/why-sponsor-pycon-2020.html
http://feedproxy.google.com/~r/PythonSoftwareFoundationNews/~3/jAMRqiPhWSs/seeking-developers-for-paid-contract.html

例子中实现了 __aiter__() 方法的 AsyncLinkFinder 就是一个异步可迭代对象，__aiter__() 方法返回的必须是一个异步迭代器，如 AsyncLinkIiterator。异步迭代器必须同时实现 __aiter__() 和 __anext__() 方法。一个不同的点是，异步迭代中，当迭代器耗尽时，需要引发一个 StopAsyncIteration 而不是 StopIteration。

同样的，我们也实现一个异步生成器版本的：

class LinkFinder:

    PATTERN = "(?<=href=").+?(?=")|(?<=href=').+?(?=')"

    def __init__(self, text):
        self.links = re.finditer(self.PATTERN, text)

    async def __aiter__(self):
        return (link.group() for link in self.links)