让爬取速率提升10倍的神器
1、引言
小屌丝：有没有能提升 爬取速率的方法，
小鱼：嗯，提升方法有好多种，例如 多线程、装饰器，都可以啊
小屌丝：嗯，那有没有其他的方法呢？
小鱼：额，容我想一下，
小鱼：嘿~ 想到了
小屌丝：那是啥？
小鱼：requests_cache
此时，小屌丝的表情
2、requests_cache
2.1 介绍
requests_cache是 requests 库的一个扩展包，利用它我们可以非常方便地实现请求的缓存，直接得到对应的爬取结果。
2.2 安装
老规矩， pip 方式安装：
pip install requests-cache
其他方式安装：
《Python3，选择Python自动安装第三方库，从此跟pip说拜拜！！》
《Python3：我低调的只用一行代码，就导入Python所有库！！》
安装完，我们就来看看它的用法。
2.3 代码实例
2.3.1 CachedSession 方法
1、requests默认请求
为了能体现出它的速度，我们先写一个默认请求
代码展示
# -*- coding:utf-8 -*-# @Time : 2022-03-18# @Author : carl_DJ'''
requests 方法请求
'''import requests
import time
#开始时间
start = time.time()#session
session = requests.session()#循环爬取，10次for i inrange(10):
session.get('http://httpbin.org/delay/2')print(f'Finish{i + 1} requests')
end = time.time()print('Cost time', end - start)
运行结果
Finish2 requests
Finish3 requests
Finish4 requests
Finish5 requests
Finish6 requests
Finish7 requests
Finish8 requests
Finish9 requests
Finish10 requests
Cost time 24.35784935951233
Process finished with exit code 0
我们可以看到 花费了24+秒
那么，我们使用CachedSession 方法来看看，能不能提速
2、CachedSession 方法
代码展示
# -*- coding:utf-8 -*-# @Time : 2022-03-18# @Author : carl_DJimport requests_cache
import time
start = time.time()#CachedSession方法，在本地生成 demo_cache.sqlite
session = requests_cache.CachedSession('demo_cache')for i inrange(10):
session.get('http://httpbin.org/delay/2')print(f'Finish{i + 1} requests')
end = time.time()print('Cost time', end -start)
运行结果
Finish1 requests
Finish2 requests
Finish3 requests
Finish4 requests
Finish5 requests
Finish6 requests
Finish7 requests
Finish8 requests
Finish9 requests
Finish10 requests
Cost time 8.624990701675415
Process finished with exit code 0
本地生成demo_cache.sqlite数据库
文件的内容，我们看下
我们可以可以看到，这个 key-value 记录中的 key 是一个 hash 值，value 是一个 Blob 对象，里面的内容就是 Response 的结果。
可以猜到，每次请求都会有一个对应的 key 生成，然后 requests-cache 把对应的结果存储到了 SQLite 数据库中了，后续的请求和第一次请求的 URL 是一样的，经过一些计算它们的 key 也都是一样的，所以后续 2-10 请求就立马返回了。
是的，利用这个机制，我们就可以跳过很多重复请求了，大大节省爬取时间。
2.3.2 install_cache方法
1、Patch 写法
当然，我们还有另一个方法，在不修改原有的代码请求方式，
追加一个方法，来实现爬取速率的提升。
代码展示
# -*- coding:utf-8 -*-# @Time : 2022-03-18# @Author : carl_DJimport requests
import requests_cache
import time
#调用requests_cache.install_cache方法
requests_cache.install_cache('demo_path_cache')
start = time.time()
session = requests.session()for i inrange(10):
session.get('http://httpbin.org/delay/2')print(f'Finish{i + 1} requests')
end = time.time()print('Cost time', end -start)
运行结果
Finish1 requests
Finish2 requests
Finish3 requests
Finish4 requests
Finish5 requests
Finish6 requests
Finish7 requests
Finish8 requests
Finish9 requests
Finish10 requests
Cost time 7.516860723495483
Process finished with exit code 0
生成文件
2、修改配置
前两个demo，requests-cache 默认使用了 SQLite 作为缓存对象，
而我们这次，使用filesystem 作为缓存对象
代码展示
# -*- coding:utf-8 -*-# @Time : 2022-03-18# @Author : carl_DJimport requests
import requests_cache
import time
#使用filesystem作为缓存对象
requests_cache.install_cache('demo_file_cache', backend='filesystem')
start = time.time()
session = requests.session()for i inrange(10):
session.get('http://httpbin.org/delay/2')print(f'Finish{i + 1} requests')
end = time.time()print('Cost time', end -start)
运行结果
其他后端有：
[‘dynamodb’, ‘filesystem’, ‘gridfs’, ‘memory’, ‘mongodb’, ‘redis’, ‘sqlite’]
具体的差异，我们来看下
BackendClassAliasDependenciesSQLiteSQLiteCachesqliteRedisRedisCacheredisredis-pyMongoDBMongoCachemongodbpymongoGridFSGridFSCachegridfspymongoDynamoDBDynamoDbCachedynamodbboto3FilesystemFileCachefilesystemMemoryBaseCachememory
如果使用redis
backend = requests_cache.RedisCache(host='localhost', port=6379)
requests_cache.install_cache('demo_redis_cache', backend=backend)
3、只对某一个请求进行缓存
# -*- coding:utf-8 -*-# @Time : 2022-03-18# @Author : carl_DJimport time
import requests
import requests_cache
#allowable_methods 方式，只对post请求进行缓存
requests_cache.install_cache('demo_post_cache', allowable_methods=['POST'])
start = time.time()
session = requests.Session()for i inrange(10):
session.get('http://httpbin.org/delay/2')print(f'Finished {i + 1} requests')
end = time.time()print('Cost time for get', end - start)
start = time.time()for i inrange(10):
session.post('http://httpbin.org/delay/2')print(f'Finished {i + 1} requests')
end = time.time()print('Cost time for post', end - start)
运行结果
Finished 1 requests
Finished 2 requests
Finished 3 requests
Finished 4 requests
Finished 5 requests
Finished 6 requests
Finished 7 requests
Finished 8 requests
Finished 9 requests
Finished 10 requests
Cost time for get 29.42441463470459
Finished 1 requests
Finished 2 requests
Finished 3 requests
Finished 4 requests
Finished 5 requests
Finished 6 requests
Finished 7 requests
Finished 8 requests
Finished 9 requests
Finished 10 requests
Cost time for post 2.611323595046997
Process finished with exit code 0
这时候就看到 GET 请求由于没有缓存，就花了 24 多秒才结束，而 POST 由于使用了缓存，2秒多就结束了。
2.3.3 Cache Headers 方法
除了我们自定义缓存，requests-cache 还支持解析 HTTP Request / Response Headers 并根据 Headers 的内容来缓存。
代码展示
# -*- coding:utf-8 -*-# @Time : 2022-03-18# @Author : carl_DJimport time
import requests
import requests_cache
requests_cache.install_cache('demo_headers_cache')
start = time.time()
session = requests.Session()for i inrange(10):#Request Headers 里面加上了 Cache-Control 为 no-store
session.get('http://httpbin.org',
headers={'Cache-Control':'no-store'})print(f'Finished {i + 1} requests')
end = time.time()print('Cost time for get', end - start)
start = time.time()
在 Request Headers 里面加上了 Cache-Control 为 no-store，即使我们声明了缓存那也不会生效。
3、 总结
看到这里，今天的分享就差不多到这里了。
在实际应用中，如果循环爬取的话，requests_cache确实是一个好的方法，
即节省时间，有提高效率，
关键可以利用节省的时间，来泡泡澡。
版权归原作者 Carl_奕然 所有， 如有侵权，请联系我们删除。