Эффективно загружать файлы асинхронно с запросами
Я хочу как можно быстрее загружать файлы с помощью python.Here мой код
import pandas as pd
import requests
from requests_futures.sessions import FuturesSession
import os
import pathlib
from timeit import default_timer as timer
class AsyncDownloader:
"""Download files asynchronously"""
__urls = set()
__dest_path = None
__user_agent = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:58.0) Gecko/20100101 Firefox/58.0'
__read_timeout = 60
__connection_timeout = 30
__download_count = 0 # unlimited
# http://www.browserscope.org/?category=network
__worker_count = 17 # No of threads to spawn
__chunk_size = 1024
__download_time = -1
__errors = []
# TODO Fetch only content of a specific type from a csv
# TODO Improve code structure so that it can be used as a commandline tool
def set_source_csv(self, source_path, column_name):
self.source_path = source_path
self.column_name = column_name
try:
my_csv = pd.read_csv(source_path, usecols=[self.column_name], chunksize=10)
except ValueError:
print("The column name doesn't exist")
return
else:
# No exception whatsoever
for chunk in my_csv:
AsyncDownloader.__urls.update(set(getattr(chunk, self.column_name)))
def set_destination_path(self, dest_path):
if dest_path.endswith('/'):
dest_path = dest_path[:-1]
self.dest_path = dest_path
# TODO Add exception in case we can't create the directory
pathlib.Path(self.dest_path).mkdir(parents=True, exist_ok=True)
if os.access(self.dest_path, os.W_OK):
AsyncDownloader.__dest_path = pathlib.Path(self.dest_path).resolve()
def set_user_agent(self, useragent):
self.useragent = useragent
AsyncDownloader.__user_agent = self.useragent
def set_connection_timeout(self, ctimeout_secs):
self.timeout_secs = ctimeout_secs
if self.timeout_secs >= 0:
AsyncDownloader.__connection_timeout = self.timeout_secs
def set_read_timeout(self, rtimeout_secs):
self.timeout_secs = rtimeout_secs
if self.timeout_secs >= 0:
AsyncDownloader.__read_timeout = self.timeout_secs
def set_download_count(self, file_count):
self.file_count = file_count
if self.file_count > 0:
AsyncDownloader.__download_count = self.file_count
def set_worker_count(self, worker_count):
self.worker_count = worker_count
if self.worker_count > 0:
AsyncDownloader.__worker_count = self.worker_count
def set_chunk_size(self, chunk_size):
self.chunk_size = chunk_size
if self.chunk_size > 0:
AsyncDownloader.__chunk_size = self.chunk_size
def print_urls(self):
print(AsyncDownloader.__urls)
def get_download_time(self):
return AsyncDownloader.__download_time
def get_errors(self):
return AsyncDownloader.__errors
def download(self):
start = timer()
try:
session = FuturesSession(max_workers=AsyncDownloader.__worker_count)
session.headers.update({'user-agent': AsyncDownloader.__user_agent})
session.request(AsyncDownloader.__connection_timeout,
AsyncDownloader.__connection_timeout, stream=True)
results = []
# Give an accurate file count even if we don't have to download it as it a;ready exist
file_count = 0
for url in AsyncDownloader.__urls:
filename = os.path.basename(url)
# check if we need only a limited number of files
if AsyncDownloader.__download_count != 0:
# No need to download file if it already exist
if pathlib.Path(AsyncDownloader.__dest_path / filename).is_file():
file_count += 1
continue
else:
if file_count < AsyncDownloader.__download_count:
file_count += 1
results.append(session.get(url))
else:
if not pathlib.Path(AsyncDownloader.__dest_path / filename).is_file():
results.append(session.get(url))
for result in results:
# wait for the response to complete, if it hasn't already
response = result.result()
filename = os.path.basename(response.url)
if response.status_code == 200:
with open(pathlib.Path(AsyncDownloader.__dest_path / filename).resolve(), 'wb') as fd:
for chunk in response.iter_content(chunk_size=AsyncDownloader.__chunk_size):
if chunk: # filter out keep-alive new chunks
fd.write(chunk)
end = timer()
AsyncDownloader.__download_time = end - start
except requests.exceptions.HTTPError as errh:
AsyncDownloader.__errors.append("Http Error:" + errh)
# print("Http Error:", errh)
except requests.exceptions.ConnectionError as errc:
AsyncDownloader.__errors.append("Error Connecting:" + errc)
# print("Error Connecting:", errc)
except requests.exceptions.Timeout as errt:
AsyncDownloader.__errors.append("Timeout Error:" + errt)
# print("Timeout Error:", errt)
except requests.exceptions.RequestException as err:
AsyncDownloader.__errors.append("OOps: Something Else" + err)
else:
return
Следующий код делает очень плохое предположение. Я уверен, что первый url закончит сначала, что, конечно, неверно.
# wait for the response to complete, if it hasn't already
response = result.result()
Как я могу убедиться, что обработаны только обработанные запросы, вместо того, чтобы эффективно принять такое предположение?
Я был бы признателен за любое другое предложение о том, как повысить производительность.
С уважением
Ответы
Ответ 1
Даже если соединения были выполнены по порядку, вы по-прежнему обрабатываете файлы последовательно. Второй файл должен дождаться записи первого и так далее. Итак, самое лучшее, что вы можете сделать, - это обрабатывать все параллельно (это можно сделать, несмотря на GIL, так как операции io, такие как запись на диск и чтение из сети, будут выпущены). В основном, используйте обычную библиотеку requests
(не requests-futures
) и создайте будущее/поток для запроса + обработку файлов.
Есть еще много способов сделать это быстрее, например, продолжать загружать куски во время записи (т.е. два потока, один для запроса и один для обработки файлов). И параллельно читайте куски, создавая запросы multi-part
, которые являются "загрузкой ускорителя", и вам может не понадобиться такая сложность в вашем коде.
Изменить: Кроме того, загруженные загрузки являются ленивыми, а это значит, что вы делаете только начальные запросы параллельно, но фактическая загрузка файла с фрагментированным файлом выполняется последовательно, поскольку это выполняется в основном потоке. Итак, ваш нынешний подход не намного лучше, чем полностью синхронный. Вышеупомянутый совет все еще стоит.
Ответ 2
Чтобы работать с вашим кодом, я создал файл .csv
, содержащий ссылки на несколько файлов robots.txt
с нескольких сайтов в этом порядке: GitHub, UDemy, YouTube.
После отладки первый результат в
response = result.result()
был (в этом порядке): UDemy, YouTube, GitHub.
Для записи размер каждого robots.txt
увеличивается в том же порядке, что и результаты.
Это означает, что с самого начала не было никаких проблем, несмотря на то, что я установил файл .csv
в определенном порядке, результаты пришли в том порядке, в котором файлы были сначала загружены.
Я был бы признателен за любое другое предложение о том, как повысить производительность.
Что касается производительности, вы можете улучшить скорость, создав поток для записи ответа на файл или используя асинхронную IO-библиотеку, такую как Tinche/aiofiles.
Если вы хотите пойти еще дальше, вы можете попробовать улучшить производительность самой программы, используя альтернативную реализацию Python, такую как PyPy
Ответ 3
Самый простой способ сделать это не требует какого-либо потокового или специального асинхронного кода: просто используйте обычную библиотеку requests
и ее встроенную функцию потоковой передачи. Вы говорите response = session.get(url, stream=True)
, а затем используйте response.iter_content(chunk_size=1024)
(например) для доступа к загруженной информации за один кусок за раз. Здесь приведен пример:
import requests
import os
def stream_multiple(urls):
responses = {url: requests.get(url, stream=True) for url in urls)
streams = {url: responses[url].iter_content(chunk_size=1024)
for url in urls}
handles = {url: open(os.path.basename(url), 'wb') for url in urls}
while streams:
for url in list(streams.keys()):
try:
chunk = next(streams[url])
print("Received {} bytes for {}".format(len(chunk), url))
handles[url].write(chunk)
except StopIteration: # no more contenet
handles[url].close()
streams.pop(url)
Пример вывода:
[email protected]:~/tmp$ python smu.py
Received 1296 bytes for http://www.gutenberg.org/files/9490/9490-0.txt
Received 1882 bytes for http://www.gutenberg.org/ebooks/21497.txt.utf-8
Received 1524 bytes for http://www.gutenberg.org/files/1729/1729-0.txt
Received 1508 bytes for http://www.gutenberg.org/ebooks/21790.txt.utf-8
Received 1826 bytes for http://www.gutenberg.org/files/9490/9490-0.txt
Received 2349 bytes for http://www.gutenberg.org/ebooks/21497.txt.utf-8
Received 1834 bytes for http://www.gutenberg.org/files/1729/1729-0.txt
Received 1838 bytes for http://www.gutenberg.org/ebooks/21790.txt.utf-8
Received 2009 bytes for http://www.gutenberg.org/files/9490/9490-0.txt
...
Возможно, вы, возможно, достигнете немного более высокой производительности с использованием потоков или многопроцессорности, но я сомневаюсь, что это будет значительно лучше. Практически во всех случаях запись ваших данных на диск будет намного быстрее, чем получение его из сети.
Ответ 4
Вы можете использовать gevent
, если вы не беспокоитесь о "патче обезьяны"
import gevent.monkey
import requests
CONNECTIONS = 10
gevent.monkey.patch_all() # debug in PyCharm: https://blog.jetbrains.com/pycharm/2012/08/gevent-debug-support/
import gevent.pool
def your_request_without_any_changes(url):
return requests.get(url)
pool = gevent.pool.Pool(CONNECTIONS)
for response in pool.imap_unordered(your_request_without_any_changes, ['http://www.google.com'] * 100):
print(response.status_code)
gevent
используйте "цикл событий" и библиотеку запросов исправлений (на самом деле это происходит на более низком уровне) для переключения на другую задачу, когда мы ждем ответа.