一、寫在前面
在上一篇博客中提到過對于網絡爬蟲這種包含大量網絡請求的任務，是可以用Celery來做到加速爬取的，那么，這一篇博客就要具體說一下怎么用Celery來對我們的爬蟲進行一個加速！
?
二、知識補充
1.class celery.group
group這個類表示創建一組要并行執行的任務，不過一組任務是懶惰的，所以你需要運行并對其進行評估。要了解這個類，可以查看文檔，或者在Pycharm中直接Ctrl+左鍵就能直接查看源碼了，如下圖：
當然了，直接看源碼還不夠，最好還是自己動下手。所以先創建一個test.py，其中代碼如下：
1
from
celery
import
Celery
2
3
4
app = Celery(
"
test
"
, broker=
"
redis://127.0.0.1:6379
"
, backend=
"
redis://127.0.0.1:6379
"
)
5
6
7
@app.task
8
def
add(x, y):
9
return
x +
y
10
11
12
if
__name__
==
'
__main__
'
:
13
app.start()
然后運行Celery服務器，再在test.py所在目錄下創建一個test_run.py用于測試，其中代碼如下：
1
from
celery
import
group
2
from
.test
import
add
3
4
5
lazy_group = group(add.s(2, 2), add.s(4, 4
))
6
print
(type(lazy_group))
7
result =
lazy_group()
8
print
(result)
9
print
(type(result))
10
print
(result.get())
在Pycharm中運行test_run.py，得到的結果如下：
fe54f453-eb9c-4b24-87e3-a26fab75967f
[4, 8]
? 通過查看源碼可以知道，是可以往group中傳入一個由任務組成的可迭代對象的，所以這就進行一下測試，對上面的代碼進行一點修改：
1
from
celery
import
group
2
from
CelerySpider.test
import
add
3
4
5
lazy_group = group(add.s(x, y)
for
x, y
in
zip([1, 3, 5, 7, 9], [2, 4, 6, 8, 10
]))
6
result =
lazy_group()
7
print
(result)
8
print
(result.get())
運行之后得到了我們想要的結果：
f03387f1-af00-400b-b58a-37901563251d
[3, 7, 11, 15, 19]
2.celer.result.collect()
在Celery中有一個類result，這個類包含了任務運行的結果和狀態等，而在這個類中就有一個collect()方法，使用該方法能在結果返回時收集結果。和之前一樣的步驟，先看看源碼：
這里看源碼也是看得一頭霧水，不如動手寫代碼試試看。創建一個app.py，其中代碼如下：
1
from
celery
import
Celery, group, result
2
3
4
app = Celery(
"
test
"
, broker=
"
redis://127.0.0.1:6379
"
, backend=
"
redis://127.0.0.1:6379
"
)
5
6
7
@app.task(trail=
True)
8
def
A(how_many):
9
return
group(B.s(i)
for
i
in
range(how_many))()
10
11
12
@app.task(trail=
True)
13
def
B(i):
14
return
pow2.delay(i)
15
16
17
@app.task(trail=
True)
18
def
pow2(i):
19
return
i ** 2
20
21
22
if
__name__
==
'
__main__
'
:
23
app.start()
可以看到在設置任務的時候都加了參數trail=True，這是為了存儲子任務列表運行后的結果，雖然是默認設置，但這里明確啟用。在運行Celery服務器之中，進入app.py同級目錄，輸入python，然后執行如下代碼：
>>> from app import A
>>> res = A.delay(10)
>>> [i[1] for i in res.collect() if isinstance(i[1], int)]
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
?
三、具體步驟
1.項目結構
這個爬蟲項目的基本文件如下：
其中app.py用于創建Celery實例，celeryconfig.py是Celery需要使用的配置文件，tasks.py里面的則是具體的任務，crawl.py是爬蟲腳本，在打開Celery服務器之后，運行此文件即可。
2.主要代碼
首先是app.py，代碼如下，其中config_from_object()方法用于配置Celery，傳入的參數是一個可被導入的模塊：
1
from
celery
import
Celery
2
3
4
app = Celery(
"
spiders
"
, include=[
"
CelerySpider.tasks
"
])
5
#
導入配置文件
6
app.config_from_object(
"
CelerySpider.celeryconfig
"
)
7
8
9
if
__name__
==
'
__main__
'
:
10
app.start()
? 下面是tasks.py中的代碼，其中包含了發送請求和解析網頁的代碼：
1
import
requests
2
from
lxml
import
etree
3
from
celery
import
group
4
from
CelerySpider.app
import
app
5
6
7
headers =
{
8
"
Cookie
"
:
"
__cfduid=d5d815918f19b7370d14f80fc93f1f27e1566719058; UM_distinctid=16cc7bba92f7b6-0aac860ea9b9a7-7373e61-144000-16cc7bba930727; CNZZDATA1256911977=1379501843-1566718872-https%253A%252F%252Fwww.baidu.com%252F%7C1566718872; XSRF-TOKEN=eyJpdiI6InJvNVdZM0krZ1wvXC9BQjg3YUk5aGM1Zz09IiwidmFsdWUiOiI5WkI4QU42a0VTQUxKU2ZZelVxK1dFdVFydlVxb3g0NVpicEdkSGtyN0Uya3VkXC9pUkhTd2plVUtUTE5FNWR1aCIsIm1hYyI6Ijg4NjViZTQzNGRhZDcxNTdhMDZlMWM5MzI4NmVkOGZhNmRlNTBlYWM0MzUyODIyOWQ4ZmFhOTUxYjBjMTRmNDMifQ%3D%3D; doutula_session=eyJpdiI6IjFoK25pTG50azEwOXlZbmpWZGtacnc9PSIsInZhbHVlIjoiVGY2MU5Ob2pocnJsNVBLZUNMTWw5OVpjT0J6REJmOGVpSkZwNFlUZVwvd0tsMnZsaiszWEpTbEdyZFZ6cW9UR1QiLCJtYWMiOiIxZGQzNTJlNzBmYWE0MmQzMzQ0YzUzYmYwYmMyOWY3YzkxZjJlZTllNDdiZTlkODA2YmQ3YWRjNGRmZDgzYzNmIn0%3D
"
,
9
"
Referer
"
:
"
https://www.doutula.com/article/list/?page=1
"
,
10
"
UserAgent
"
:
"
Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36
"
11
}
12
13
14
@app.task(trail=
True)
15
def
main(urls):
16
#
主函數
17
return
group(call.s(url)
for
url
in
urls)()
18
19
20
@app.task(trail=
True)
21
def
call(url):
22
#
發送請求
23
try
:
24
res = requests.get(url, headers=
headers)
25
parse.delay(res.text)
26
except
Exception as e:
27
print
(e)
28
29
30
@app.task(trail=
True)
31
def
parse(html):
32
#
解析網頁
33
et =
etree.HTML(html)
34
href_list = et.xpath(
'
//*[@id="home"]/div/div[2]/a/@href
'
)
35
result =
[]
36
for
href
in
href_list:
37
href_res = requests.get(href, headers=
headers)
38
href_et =
etree.HTML(href_res.text)
39
src_list = href_et.xpath(
'
//*[@class="artile_des"]/table/tbody/tr/td/a/img/@src
'
)
40
result.extend(src_list)
41
return
result
最后是crawl.py中的代碼：
1
import
time
2
from
CelerySpider.tasks
import
main
3
4
5
start_time =
time.time()
6
7
8
url_list = [
"
https://www.doutula.com/article/list/?page={}
"
.format(i)
for
i
in
range(1, 31
)]
9
res =
main.delay(url_list)
10
all_src =
[]
11
for
i
in
res.collect():
12
if
isinstance(i[1], list)
and
isinstance(i[1
][0], str):
13
all_src.extend(i[1
])
14
15
print
(
"
Src count:
"
, len(all_src))
16
17
18
end_time =
time.time()
19
print
(
"
Cost time:
"
, end_time - start_time)
? 此次爬取的網站是一個表情包網站，url_list就表示要爬取的url，這里我選擇爬取30頁來測試。all_src用于存儲表情包圖片的資源鏈接，通過collect()方法提取出要爬取的鏈接，然后將這些表情包下載下來，最后打印出下載的圖片數量和整個程序所耗費的時間。
?
?四、運行結果
當運行Celery服務后，再運行crawl.py文件，會看到如下信息打印出來：
當整個爬蟲運行完畢后，會打印出所耗費的時間：
?
完整代碼已上傳到GitHub！
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
