如何用一行代碼讓gevent爬蟲提速100%
用python做網絡開發的人估計都聽說過gevent這個庫，gevent是一個第三方的python協程庫，其是在微線程庫greenlet的基礎上構建而成，并且使用了epoll事件監聽機制，這讓gevent具有很好的性能并且比greenlet更好用。根據gevent官方的資料（網址：http://www.gevent.org），gevent具有以下特點：
- 基于libev或libuv的快速事件循環。
- 基于greenlet的輕量級執行單元。
- 重復使用Python標準庫中的概念的API（例如，有event和 queues）。
- 具有SSL支持的協作套接字
- 通過線程池，dnspython或c-ares執行的合作DNS查詢。
- 猴子修補實用程序，使第三方模塊能夠合作
- TCP / UDP / HTTP服務器
- 子流程支持（通過gevent.subprocess）
- 線程池
筆者總結一下，gevent大致原理就是當一個greenlet遇到需要等待的操作時（多為IO操作），比如網絡IO/睡眠等待，這時就會自動切換到其他的greenlet，等上述操作完成后，再在適當的時候切換回來繼續執行。在這個過程中其實仍然只有一個線程在執行，但因為我們在等待某些IO操作時，切換到了其他操作，避免了無用的等待，這就為我們大大節省了時間，提高了效率。
筆者也是在看了gevent這么多的優點之后，感覺有必要上手試一試，但起初效果非常不理想，速度提升并不大，后來在仔細研究了gevent的用法之后，發現gevent的高效率是有條件的，而其中一個重要條件就是monkey patch的使用，也就是我們常說的猴子補丁。
monkey patch就是在不改變源代碼的情況下，對程序進行更改和優化，其主要適用于動態語言。通過monkey patch，gevent替換了標準庫里面大部分的阻塞式系統調用，比如socket、ssl、threading和select等，而變為協作式運行。下面筆者還是通過代碼來演示一下monkey patch的用法以及使用條件。筆者展示的這個程序是一個小型的爬蟲程序，程序代碼量少，便于閱讀和運行，同時也能較好地測試出monkey patch的提升程度。主要思路是從Box Office Mojo網站抓取北美電影市場今年第二季度上映的電影，然后從每部電影的信息頁面提取出每部電影的電影分級，然后把每部電影的名稱和其對應分級保存在一個字典當中，再測試一下整個過程的時間。在這里，我們主要測試三種情況下的程序完成時間，分別是普通不使用gevent的爬蟲，使用gevent但不用monkey patch的爬蟲，以及使用gevent和monkey patch的爬蟲。
首先看普通不使用gevent的爬蟲。
先導入需要的庫。
- import time
- import requests
- from lxml import etree
然后讀取第二季度上映電影的頁面。
- url = r'https://www.boxofficemojo.com/quarter/q2/2020/?grossesOption=totalGrosses' #第二季度上映電影的網址
- headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'} #爬蟲頭部
- rsp = requests.get(url, headersheaders=headers) #讀取網頁
- text = rsp.text #獲取網頁源碼
- html = etree.HTML(text)
- movie_relative_urls = html.xpath(r'//td[@class="a-text-left mojo-field-type-release mojo-cell-wide"]/a/@href') #獲取每部電影的信息頁面的相對地址
- movie_urls = [r'https://www.boxofficemojo.com'+u for u in movie_relative_urls] #把每部電影的相對地址換成絕對地址
- genres_dict = {} #用于保存信息的字典
上述代碼中變量url就是第二季度上映電影的網頁地址，其頁面截圖如圖1所示。headers是爬蟲模擬瀏覽器的頭部信息，每部電影的信息頁面就是圖1中表格頭一行列名Release下面每部電影名稱所包含的網址，點擊每部電影名稱就可進入其對應頁面。因為這個網址是相對地址，所以要轉換成絕對地址。
圖1. 第二季度上映電影的頁面
接下來是每部電影的信息頁面的讀取。
- def spider(url): #這個函數主要用于讀取每部電影頁面中的電影分級信息
- rsp = requests.get(url, headersheaders=headers) #讀取每部電影的網頁
- text = rsp.text #獲取頁面代碼
- html = etree.HTML(text)
- genre = html.xpath(r'//div/span[text()="Genres"]/following-sibling::span[1]/text()')[0] #讀取電影分級信息
- title = html.xpath(r'//div/h1/text()')[0] #讀取電影名稱
- genres_dict[title] = genre #把每部電影的名稱和分級信息存入字典
這個函數就是為了讀取每部電影信息頁面的信息，其功能和上面讀取url頁面的功能類似，都非常簡單，沒有過多可說的。在每部電影頁面中，我們要讀取的每部電影的分級信息就在Genres這一行，比如圖2中電影The Wretched，其Genres信息就是Horror。
圖2. 示例電影信息頁面
接下來是時間測算。
- normal_start = time.time() #程序開始時間
- for u in movie_urls:
- spider(u)
- normal_end = time.time() #程序結束時間
- normal_elapse = normal_end - normal_start #程序運行時間
- print('The normal procedure costs %s seconds' % normal_elapse)
我們測算時間用time.time()方法，用結束時間減去開始時間就是程序運行時間，這里我們主要測試spider這個函數多次運行的時間。結果顯示，該過程耗時59.6188秒。
第二個爬蟲是使用gevent但不用monkey patch的爬蟲。其完整代碼如下。
- import time
- from lxml import etree
- import gevent
- import requests
- url = r'https://www.boxofficemojo.com/quarter/q2/2020/?grossesOption=totalGrosses'
- headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'}
- rsp = requests.get(url, headersheaders=headers)
- text = rsp.text
- html = etree.HTML(text)
- movie_relative_urls = html.xpath(r'//td[@class="a-text-left mojo-field-type-release mojo-cell-wide"]/a/@href')
- movie_urls = [r'https://www.boxofficemojo.com'+u for u in movie_relative_urls]
- genres_dict = {}
- task_list = [] #用于存放協程的列表
- def spider(url):
- rsp = requests.get(url, headersheaders=headers)
- text = rsp.text
- html = etree.HTML(text)
- genre = html.xpath(r'//div/span[text()="Genres"]/following-sibling::span[1]/text()')[0]
- title = html.xpath(r'//div/h1/text()')[0]
- genres_dict[title] = genre
- gevent_start = time.time()
- for u in movie_urls:
- task = gevent.spawn(spider, u) #生成協程
- task_list.append(task) #把協程放入這個列表
- gevent.joinall(task_list) #運行所有協程
- gevent_end = time.time()
- gevent_elapse = gevent_end - gevent_start
- print('The gevent spider costs %s seconds' % gevent_elapse)
這里絕大部分代碼和前面爬蟲代碼相同，但多了一個task_list變量，其是用于存放協程的列表，我們從gevent_start = time.time()這行開始看，因為前面的代碼都和之前的爬蟲相同。task = gevent.spawn(spider, u)是生成gevent中生成協程的方法，task_list.append(task)是把每個協程放入這個列表中，而gevent.joinall(task_list)就是運行所有協程。上面這些過程和我們運行多線程的方式非常相似。運行結果是59.1744秒。
最后一個爬蟲就是同時使用gevent和monkey patch的爬蟲，在這里筆者不再粘貼代碼，因為其代碼和第二個爬蟲幾乎一模一樣，只有一個區別，就是多了一行代碼from gevent import monkey; monkey.patch_all()，注意這是一行代碼，不過包含兩個語句，用分號放在了一起。最重要的是，這行代碼要放在所有代碼的前面，切記！！！
這個爬蟲的運行結果是26.9184秒。
筆者把這里三個爬蟲分別放在三個文件中，分別命名為normal_spider.py、gevent_spider_no.py和gevent_spider.py，分別表示普通不用gevent的爬蟲、使用gevent但不用monkey patch的爬蟲、使用gevent和monkey patch的爬蟲。這里有一點要注意，monkey patch暫不支持jupyter notebook，所以這三個程序要在命令行中使用，不能在notebook中使用。
最后把三種爬蟲的結果總結如下。
圖3. 三種爬蟲的結果對比
可以看出使用了gevent但不用monkey patch的爬蟲和普通爬蟲的運行時間幾乎完全相等，而在用了monkey patch以后，運行時間只有前面程序的一半不到，速度提升了大約120%，僅僅一行代碼就帶來如此大的速度提升，可見monkey patch的作用還是很大的。而對于前兩個爬蟲的速度幾乎完全一樣，筆者認為原因在于這兩個程序都是單線程運行，本質上沒有太大區別，同時網頁讀取數量較小（只有18個網頁），也很難看出gevent的效果。
從本例中可以看出monkey patch還是有不小提升的，但gevent目前只對常見庫尤其是官方標準庫有patch作用，其他第三方庫的效果還不得而知，所以對monkey patch的使用還是要視情況而定。本文的代碼筆者放在gitee代碼網站上，網址是https://gitee.com/leonmovie/speed-up-gevent-spider-with-monkey-patch，如有需要可以自行下載。
