在日常爬虫工作中，我们经常使用requests库去爬取某个站点的数据，但是每发出一个请求，程序必须等待网站返回响应才能接着运行，而在整个爬虫过程中爬虫程序是一直在等待的，实际上没有做任何事情。像这种占用磁盘/内存IO、网络IO的任务，大部分时间是CPU在等待的操作，就叫IO密集型任务。对于这种情可以考虑使用aiohttp库实现异步爬虫进行优化。
这篇文章我们详细介绍aiohttp库的用法和爬取实战。aiohttp 是一个支持异步请求的库，它和 asyncio 配合使用，可以使我们非常方便地实现异步请求操作。aiohttp请求的方法和之前有明显区别，主要包括如下几点：
- 除了导入aiohttp库，还必须引入asyncio库，因为要实现异步，需要启动协程。
- 异步的方法定义不同，前面都要统一加async来修饰。
- with as用于声明上下文管理器，帮我们自动分配和释放资源，加上async代码支持异步。
在一些大型数据爬虫中，对并发的要求很高，而aiohttp可以支持非常高的并发量，但面对高并发网站可能会承受不住，随时有挂掉的危险，这时需要对并发进行一些控制。比如这里我们使用aiohttp来爬取新闻微博数据，因为目标网站反爬机制比较严，所以需要爬取过程中需要加上不同的代理IP和header，实例如下
import asyncio
import aiohttp
from aiohttp_socks import ProxyConnector
import random
# 定义目标网站和代理服务器的列表
urls = ["weibo.com/?sudaref=www.baidu.com"
proxies = ["socks5://16yun:16ip@www.16yun.cn:8888", "socks5://16yun:16ip@www.16yun.cn:11111", "socks5://username:password@host3:port3"]
# 定义用户代理的列表
user_agents = [
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.110 Safari/537.36",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 11_6_1) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/15.2 Safari/605.1.15",
"Mozilla/5.0 (iPhone; CPU iPhone OS 15_2 like Mac OS X) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/15 Mobile/15E148 Safari/604.1"
]
# 定义异步函数来发送GET请求，并使用不同的代理服务器和头部来连接目标网站
async def fetch(url):
try:
# 随机选择一个代理服务器和一个用户代理
proxy = random.choice(proxies)
user_agent = random.choice(user_agents)
# 创建一个aiohttp_socks.ProxyConnector对象，用来设置代理服务器的参数
connector = ProxyConnector.from_url(proxy)
# 创建一个字典，用来设置头部参数
headers = {"User-Agent": user_agent}
# 创建并启动一个aiohttp.ClientSession对象，用来发送HTTP请求，并传入connector和headers参数
async with aiohttp.ClientSession(connector=connector, headers=headers) as session:
async with session.get(url) as response:
# 检查响应状态码是否为200，否则抛出异常
if response.status != 200:
raise Exception(f"Bad status code: {response.status}")
# 返回响应内容的文本格式
return await response.text()
# 在每次请求之后关闭会话
await session.close()
except Exception as e:
# 打印异常信息，并返回None
print(e)
return None
# 定义异步主函数来创建并运行多个协程任务，并控制并发数量和超时时间等参数
async def main():
# 创建一个空列表，用来存储所有的协程任务
tasks = []
# 循环遍历目标网站列表，每次创建一个fetch函数的协程任务，并添加到列表中
for url in urls:
task = asyncio.create_task(fetch(url))
tasks.append(task)
# 使用asyncio.gather函数来收集并执行所有的协程任务，并返回一个包含所有结果的列表
results = await asyncio.gather(*tasks)
# 打印结果列表
print(results)
# 在程序入口处调用异步主函数，并启动事件循环
if __name__ == "__main__":
asyncio.run(main())
