Python 多进程、协程异步抓取英雄联盟皮肤并保存在本地

作者 | 俊欣

来源 | 关于数据分析与可视化

就在11月7日晚间，《英雄联盟》S11赛季全球总决赛决斗，在冰岛拉开“帷幕”，同时面向全球直播。在经过了5个小时的鏖战，EDG战队最终以3:2战胜来自韩国LCK赛区的DK战队，获得俱乐部队史上首座全球总决赛冠军。

夺冠的消息瞬间引爆全网，包括小编的朋友圈也被刷屏了，今天小编就写一篇与之相关的文章，通过单线程、多进程以及异步协程等方法来抓取英雄联盟的皮肤并下载。

传统数据抓取 VS 高性能数据抓取

传统的数据抓取都是运行在单线程上的，先用获取到目标页面中最大的页数，然后循环抓取每个单页数据并进行解析，按照这样的思路，会有大量的时间都浪费在等待请求传回的数据上面，如果在等待第一个页面返回的数据时去请求第二个页面，就能有效地提高效率，下面我们就通过单线程、多进程以及异步协程的方式分别来简单的实践一下。

页面分析

目标网站：https://lol.qq.com/data/info-heros.shtml官网的界面如图所示，上面的每一张小图代表每一个英雄，我们知道每一个英雄有多个皮肤，我们的目标就是爬取每一个英雄的所有皮肤，并且保存在本地；打开一个英雄显示他所有的皮肤，如下图所示，我们打开浏览器里面的开发者工具，查看皮肤数据的接口，可以看到皮肤的信息是通过json的数据格式来进行传输的，并且存放皮肤的url也是有一定规律的，和英雄的ID相挂钩url1 = 'https://game.gtimg.cn/images/lol/act/img/js/hero/1.js'
url2 = 'https://game.gtimg.cn/images/lol/act/img/js/hero/2.js'
url3 = 'https://game.gtimg.cn/images/lol/act/img/js/hero/3.js'
url4 = 'https://game.gtimg.cn/images/lol/act/img/js/hero/4.js'
因此我们也可以自己来构造这个url格式'https://game.gtimg.cn/images/lol/act/img/js/hero/{}.js'.format(i)

单线程方案

我们先来看一下单线程的方案def get_page():
page_urls = []
for i in range(1, 10):
url = 'https://game.gtimg.cn/images/lol/act/img/js/hero/{}.js'.format(i)
page_urls.append(url)
return page_urls

# 获取各英雄皮肤的链接
def get_img_urls():
results_list = []
page_urls = get_page()
for page_url in page_urls:
res = requests.get(page_url, headers=headers)
result = res.content.decode('utf-8')
result_dict = json.loads(result)
skins_list = result_dict["skins"]

for skin in skins_list:
hero_dict = {}
hero_dict['name'] = skin["heroName"]
hero_dict['skin_name'] = skin["name"]
if skin["mainImg"] == '':
continue
hero_dict['imgUrl'] = skin["mainImg"]
results_list.append(hero_dict)
time.sleep(2)
return results_list

# 将各种皮肤保存到本地
def save_image(index, img_url):
path = "skin/" img_url["name"]
if not os.path.exists(path):
os.makedirs(path)
response = requests.get(img_url['imgUrl'], headers = headers).content
with open('./skin/' img_url['name'] '/' img_url['skin_name']   str(index) '.jpg', 'wb') as f:
f.write(response)
上面的代码分别代表的获取各英雄每个皮肤的链接，然后再将各英雄的皮肤图片保存到本地，通过一个主函数将上面的步骤都串联到一起def main():
img_urls = get_img_urls()
print("总共有{}个网页".format(len(img_urls)))
for index, img_url in enumerate(img_urls):
print("目前正处于第{}个".format(img_urls.index(img_url)))
save_image(index, img_url)

print("Done")
爬取这几个网页然后保存到本地的时间总共是需要43秒的时间，接下来我们来看一下多进程的爬取所需要的时间。

多进程的抓取方案

首先来简单的介绍一下进程，进程是系统进行资源分配和调度的最小单位，每一个进程都有自己独立的地址空间，不同进程之间的内存空间不共享，进程与进程之间的通信是由操作系统来传递的，因此通讯效率低，切换开销大。这里我们简单的用多进程来抓取一下各个英雄的皮肤def main():
img_urls = get_img_urls()
print("总共有{}个网页".format(len(img_urls)))
pools = multiprocessing.Pool(len(img_urls))
for index_1, img_url in enumerate(img_urls):
print("目前正处于第{}个".format(img_urls.index(img_url)))
pools.apply_async(save_image, args=(index_1, img_url, ))

pools.close() # 关闭进程池（pool），使其不在接受新的任务。
pools.join() # 主进程阻塞等待子进程的退出， join方法要在close或terminate之后使用
print("Done")
整体下来需要的时间是29秒，比上面的单线程要快出许多。

异步协程的抓取方案

与异步相对立的则是同步，顾名思义，同步具体指的各个任务并不是独立进行的，而是按照顺序交替进行下去的，在一个任务进行完之后得到结果才进行下一个的任务。而异步则是各个任务可以独立的运行，一个任务的运行不受另外一个任务的影响。而这里提到的协程，英文叫做Coroutine，也称为是微线程，是一种用户态的轻量级线程，拥有自己的寄存器上下文和栈，在进行调度切换时，将寄存器上下文和栈保存到其他地方，在切回来的时候恢复先前保存的寄存器上下文和栈。我们可以利用协程来实现异步操作，比如在发出请求的时候，需要等一段时间才能得到返回的结果，但其实这个等待的时候程序完全可以干其他许多的事情，在响应返回之后再切换回来继续处理，这样可以充分利用 CPU 和其他资源。我们这里用协程来抓取一下各个英雄的皮肤async def save_image(index, img_url):
path = "skin/" img_url["name"]
if not os.path.exists(path):
os.makedirs(path)
response = requests.get(img_url['imgUrl'], headers = headers).content
with open('./skin/' img_url['name'] '/' img_url['skin_name']   str(index) '.jpg', 'wb') as f:
f.write(response)

def main():
loop = asyncio.get_event_loop()
img_urls = get_img_urls()
print("总共有{}个网页".format(len(img_urls)))
tasks_list = [save_image(index, img_url) for index, img_url in enumerate(img_urls)]
try:
loop.run_until_complete(asyncio.wait(tasks_list))
finally:
loop.close()

print("Done")
一整个跑下来，大概是需要33秒的时间，也是比单线程的43秒要快出很多以上便是用单线程、多进程以及异步协程的方式来优化爬虫脚本的性能，感兴趣的读者可以自己照着上面的教程与步骤自己去敲一遍代码，感谢阅读。