介绍

这次爬取的是实时空气污染指数(AQI)。关于这个项目的介绍可以参考联系世界的空气质量指数项目团队，对我而言，它是一个能够比较准确的提供空气污染指数。这个网站也提供了API用来获得数据，但是请求数量有限制，不得超过16PRS。后面发现中国的监测点有2534个，因此16PRS是远远不够的，所以我选择将监测点的目录抓下来，然后自己访问每个监测点页面并抓取数据。

监测点目录获取

监测点目录在URL: http://aqicn.org/city/all/cn/上，通过正则抓取，不赘述了。

import re
from bs4 import BeautifulSoup

import ohSqlite3 as sqlite
import ohRequests as requests

def db_init():
    req = requests.ohRequests()
    content = req.get("http://aqicn.org/city/all/cn/")
    
    pattern = re.compile("中国</div><br>(.*?)五家渠农水大厦</a>", re.S)
    data = pattern.findall(content)[0] + "五家渠农水大厦</a>"

    soup = BeautifulSoup(data, 'lxml')

    links = soup.find_all('a')

    with sqlite.ohSqlite3(DB_NAME) as db:
        db.execute("CREATE TABLE aqicn (location text, url text)")
        for link in links:
            db.execute("INSERT INTO aqicn VALUES (?,?)", (link.text, link.get('href'),))
        db.execute("DELETE FROM aqicn WHERE location = ' '")   

if __name__ == "__main__":
    db_init()

单线程抓取

上一节提到的监测点总共有2534个，对应了2534条URL，如果通过遍历的方式抓个抓取，抓取函数如下：

import re
import time
from bs4 import BeautifulSoup

import ohSqlite3 as sqlite
import ohRequests as requests

def parser_single(location, url):
    req = requests.ohRequests()
    content = req.get(url)
 
    pattern = re.compile('<table class=\'api\'(.*?)</table>', re.S)
    data = pattern.findall(content)

    if data:
        data = "<table class='api' {} </table>".format(data[0])
    soup = BeautifulSoup(data, 'lxml')

    aqi = soup.find(id='aqiwgtvalue').text

    if aqi == '-':
        return None

    t = soup.find(id='aqiwgtutime').get('val')

    t = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(int(t)))

    return [location, aqi, t]

最后程序跑了1463s，将近24min。

使用协程

理论上使用多进程也是可以的，这里我使用了协程，代码如下：

import re
import time
import aiohttp
import asyncio
from bs4 import BeautifulSoup

import ohSqlite3 as sqlite
import ohRequests as requests

async def parser():
    req = requests.ohRequests()
    while URLS_LIST:
        url = URLS_LIST.pop(0)
        header = {'user-agent': req.faker_user_agent()}

        async with aiohttp.ClientSession() as session:
            async with session.get(url[1], headers=header) as response:
                content = await response.text()
        
        pattern = re.compile('<table class=\'api\'(.*?)</table>', re.S)
        data = pattern.findall(content)

        if not data:
            print ("Something is wrong. Might be station removed:[{}]({})".format(url[0], url[1]))
            continue

        data = "<table class='api' {} </table>".format(data[0])
        soup = BeautifulSoup(data, 'lxml')

        aqi = soup.find(id='aqiwgtvalue').text

        if aqi == '-':
            print ("No Data:[{}]({})".format(url[0], url[1]))
            continue

        t = soup.find(id='aqiwgtutime').get('val')

        t = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(int(t)))

        print ([url[0], aqi, t])


def main():
    global URLS_LIST
    req = requests.ohRequests()

    with sqlite.ohSqlite3(DB_NAME) as db:
        URLS_LIST = db.execute("select * from aqicn")


    coroutine_cnts = 10
    t = time.time()
    
    coros = []
    loop = asyncio.get_event_loop()
    for i in range(coroutine_cnts):
        coros.append(parser())

    loop.run_until_complete(asyncio.gather(*coros))

    print ("Total {}s".format(time.time()-t))

if __name__ == "__main__":
    main()

协程的数量不能太高，虽然IP不会被封，但是会导致大量的失败请求。我猜想这个网站其实用的就是它们提供的数据API，因此对它的访问是受到16PRS的限制的。

使用10条协程时，执行的时间为1160s；50条协程时，时间为321s。效果还是很明显的。

一个不难理解的事实是，协程不断增加不代表时间会越来越短，达到某个阈值的时候，时间就不会再变了。这是因为当第一个协程收到响应时，本来应该醒来继续执行，但是因为协程数量过多，导致其不会立刻苏醒，就等于继续阻塞了。如果无限增加协程数量，一方面会导致资源消耗增大，另一方面也会导致性能下降。

结果比较