异步爬虫：aiohttp 异步请求库使用：

使用requests 请求库虽然可以完成爬虫业务，但是对于异步任务来说，它是做不到的， 这时候我们需要借助 aiohttp 异步请求库来完成异步爬虫的编写：

话不多说，直接看示例：

注意：楼主使用的python版本是最新的，3.12的py版本， 另外pycharm使用的也是最新版的 2024版本的。 请务必与我保持一致， 否则会报很多莫名其妙的异常信息。

下载：

使用aiohttp 异步请求库请先pip 下载：

pip install aiohttp

基本实例：

import asyncio
import aiohttpasync def get(session, url):async with session.get(url) as response:return await response.text(), response.statusasync def test():url = "http://www.baidu.com"async with aiohttp.ClientSession() as session:html_text, status = await get(session, url)print(html_text)print(status)if __name__ == '__main__':asyncio.run(test())

以上代码示例首先我们需要导入两个库，分别是aiohttp,  asyncio,  因为要实现异步任务，而启动异步需要使用asyncio， 关于异步的知识点请自行查阅补充。

其次使用 async 关键字定义了一个 get 异步函数， 它接受了 session, url 两个参数， 而session则为aiohttp 中客户端ClientSession() 对象， 因为aiohttp 它提供了两套业务功能， 分别是服务端和客服端， 服务端主要就是实现处理客户端发送请求的异步业务， 而客户端，就是发送请求的，我们学爬虫，就需要学aiohttp 提供的客户端操作功能。 言归正传， 在这个get 方法中， 使用 async 关键字来声明一个异步上下文管理器<with ... as ...>， 然后返回所得到的响应，

而在test 异步函数中， 创建了一个ClientSession 对象， 然后调用get 函数，将session对象和url传递进去， 最后调用asyncio.run 启动协程任务。

请求：

GET:

对于一些有关于Get 请求携带参数的情况，我们可以使用 params 形参来完成

async def test():params = {"name": "I love Python", "code": 520}url = "https://www.httpbin.org/get"async with aiohttp.ClientSession() as session:# 使用params 形参传递get 请求数据async with session.get(url=url, params=params) as response:print(await response.text())if __name__ == '__main__':asyncio.run(test())

aiohttp 也提供了 POST, PUT, DELETE, HEAD, PATCH, OPTIONS 等请求方式。

POST:

而对于post 请求表单提交的数据， 例如Content-Type 为： application/X-www-form-urlencoded 的数据， 我们可以使用 data 形参来完成， 楼主看了一下源码，如果post 传递的数据为 json, 楼主斗胆猜一下，应该为json 形参，我们可以看一下源码：

由此可见，它的使用方式几乎和 requests 同步请求库一模一样

async def test():data = {"name": "I love Python", "code": 520}url = "https://www.httpbin.org/post"async with aiohttp.ClientSession() as session:# 使用 data 形参 传递 表单提交的数据async with session.post(url=url, data=data) as response:print(await response.text())if __name__ == '__main__':asyncio.run(test())

响应：

 对于响应结果，我们可以调用一下方法来获取其中的：状态码，响应头，响应体，响应体二进制内容，响应体JSON数据。

async def test():data = {"name": "I love Python", "code": 520}url = "https://www.httpbin.org/post"async with aiohttp.ClientSession() as session:async with session.post(url, data=data) as response:print(response.status) # 响应状态码print(response.headers) # 响应头print(await response.text()) # 获取响应体print(await response.read()) # 获取二进制数据print(await response.json()) # 获取相响应的JSON数据if __name__ == '__main__':asyncio.run(test())

超时设置：

我们可以借助aiohttp 提供的 ClientTimeout 对象来实现超时， 如果超时还未请求到数据，则抛异常

async def test():data = {"name": "I love Python", "code": 520}url = "https://www.httpbin.org/post"timeout = aiohttp.ClientTimeout(total=1) # 设置超时时间，单位为 秒async with aiohttp.ClientSession(timeout=timeout) as session:async with session.post(url, data=data) as response:passif __name__ == '__main__':asyncio.run(test())

ClientTimeout 对象同样还提供了其它参数， 例如：connect, socket_connect 等等， 详细参考官方文档：

https://docs.aiohttp.org.en.stable/client_quickstart.html#timeouts

并发限制：

由于异步爬虫拥有非常非常高的并发量， 如几万，几十万，甚至上百万都有可能， 但是如此高的并发量，目标服务器很可能无法再短时间内响应，而且有瞬间将目标服务器爬挂掉的危险， 所以，我们需要控制一下爬取的并发量。

我们可以借助asyncio 的 Semaphore 来控制并发量：

# 最高并发 5 个
CONCURRENCY = 5url = "http://www.baidu.com"# 创建信号量对象 并将最大并发量常量传递进来
semaphores = asyncio.Semaphore(CONCURRENCY)session = Noneasync def test():# 使用信号量对象创建异步上下文即可控制最高并发量async with semaphores:print("爬取ing: ", url)async with session.get(url) as response:await asyncio.sleep(1)return await response.text()async def main():global sessionsession = aiohttp.ClientSession()test_tasks = [test() for i in range(1000)]await asyncio.gather(*test_tasks)if __name__ == '__main__':asyncio.run(main())

完了.... aiohttp 官方网站： https://docs.aiohttp.org/