一、写在前面
在上一篇博客中提到过对于网络爬虫这种包含大量网络请求的任务，是可以用Celery来做到加速爬取的，那么，这一篇博客就要具体说一下怎么用Celery来对我们的爬虫进行一个加速！
二、知识补充
1.class celery.group
group这个类表示创建一组要并行执行的任务，不过一组任务是懒惰的，所以你需要运行并对其进行评估。要了解这个类，可以查看文档，或者在Pycharm中直接Ctrl+左键就能直接查看源码了，如下图：
当然了，直接看源码还不够，最好还是自己动下手。所以先创建一个test.py，其中代码如下：
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()
然后运行Celery服务器，再在test.py所在目录下创建一个test_run.py用于测试，其中代码如下：
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中运行test_run.py，得到的结果如下：
fe54f453-eb9c-4b24-87e3-a26fab75967f
[4, 8]
通过查看源码可以知道，是可以往group中传入一个由任务组成的可迭代对象的，所以这就进行一下测试，对上面的代码进行一点修改：
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())
运行之后得到了我们想要的结果：
f03387f1-af00-400b-b58a-37901563251d
[3, 7, 11, 15, 19]
2.celer.result.collect()
在Celery中有一个类result，这个类包含了任务运行的结果和状态等，而在这个类中就有一个collect()方法，使用该方法能在结果返回时收集结果。和之前一样的步骤，先看看源码：
这里看源码也是看得一头雾水，不如动手写代码试试看。创建一个app.py，其中代码如下：
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()
可以看到在设置任务的时候都加了参数trail=True，这是为了存储子任务列表运行后的结果，虽然是默认设置，但这里明确启用。在运行Celery服务器之中，进入app.py同级目录，输入python，然后执行如下代码：
>>> 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、具体步骤
1.项目结构
这个爬虫项目的基本文件如下：
其中app.py用于创建Celery实例，celeryconfig.py是Celery需要使用的配置文件，tasks.py里面的则是具体的任务，crawl.py是爬虫脚本，在打开Celery服务器之后，运行此文件即可。
2.主要代码
首先是app.py，代码如下，其中config_from_object()方法用于配置Celery，传入的参数是一个可被导入的模块：
1
from
celery
import
Celery
2
3
4
app = Celery(
"
spiders
"
, include=[
"
CelerySpider.tasks
"
])
5
#
导入配置文件
6
app.config_from_object(
"
CelerySpider.celeryconfig
"
)
7
8
9
if
__name__
==
'
__main__
'
:
10
app.start()
下面是tasks.py中的代码，其中包含了发送请求和解析网页的代码：
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
#
主函数
17
return
group(call.s(url)
for
url
in
urls)()
18
19
20
@app.task(trail=
True)
21
def
call(url):
22
#
发送请求
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
#
解析网页
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中的代码：
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)
此次爬取的网站是一个表情包网站，url_list就表示要爬取的url，这里我选择爬取30页来测试。all_src用于存储表情包图片的资源链接，通过collect()方法提取出要爬取的链接，然后将这些表情包下载下来，最后打印出下载的图片数量和整个程序所耗费的时间。
四、运行结果
当运行Celery服务后，再运行crawl.py文件，会看到如下信息打印出来：
当整个爬虫运行完毕后，会打印出所耗费的时间：
完整代码已上传到GitHub！
