今天來說說，Python 中的任務(wù)切分。以爬蟲為例，從一個(gè)存 url 的 txt 文件中，讀取其內(nèi)容，我們會(huì)獲取一個(gè) url 列表。我們把這一個(gè) url 列表稱為大任務(wù)。

[[283503]]

列表切分在

不考慮內(nèi)存占用的情況下，我們對(duì)上面的大任務(wù)進(jìn)行一個(gè)切分。比如我們將大任務(wù)切分成的小任務(wù)是每秒最多只訪問5個(gè)URL。

import os 
import time 
 
CURRENT_DIR = os.path.dirname(os.path.abspath(__file__)) 
 
def read_file(): 
    file_path = os.path.join(CURRENT_DIR, "url_list.txt") 
    with open(file_path, "r", encoding="utf-8") as fs: 
        result = [i.strip() for i in fs.readlines()] 
    return result 
 
def fetch(url): 
    print(url) 
 
def run(): 
    max_count = 5 
    url_list = read_file() 
    for index in range(0, len(url_list), max_count): 
        start = time.time() 
        fetch(url_list[index:index + max_count]) 
        end = time.time() - start 
        if end < 1: 
            time.sleep(1 - end) 
 
 
if __name__ == '__main__': 
    run() 

關(guān)鍵代碼都在for循環(huán)里，首先我們通過聲明range的第三個(gè)參數(shù)，該參數(shù)指定迭代的步長(zhǎng)為5,這樣每次index增加都是以5為基數(shù)，即0，5，10。。。

然后我們對(duì)url_list做切片，每次取其五個(gè)元素，這五個(gè)元素會(huì)隨著index的增加不斷的在改變，如果最后不夠五個(gè)了，按照切片的特性這個(gè)時(shí)候就會(huì)有多少取多少了，不會(huì)造成索引超下標(biāo)的問題。

隨著url列表的增加，我們會(huì)發(fā)現(xiàn)內(nèi)存的占用也在提高了。這個(gè)時(shí)候我們就需要對(duì)代碼進(jìn)行修改了，我們知道生成器是比較節(jié)省內(nèi)存的空間的，修改之后代碼變成，下面的這樣。

生成器切分

# -*- coding: utf-8 -*- 
# @時(shí)間 : 2019-11-23 23:47 
# @作者 : 陳祥安 
# @文件名 : g.py 
# @公眾號(hào): Python學(xué)習(xí)開發(fā) 
import os 
import time 
from itertools import islice 
 
CURRENT_DIR = os.path.dirname(os.path.abspath(__file__)) 
 
 
def read_file(): 
    file_path = os.path.join(CURRENT_DIR, "url_list.txt") 
    with open(file_path, "r", encoding="utf-8") as fs: 
        for i in fs: 
            yield i.strip() 
 
 
def fetch(url): 
    print(url) 
 
 
def run(): 
    max_count = 5 
    url_gen = read_file() 
    while True: 
        url_list = list(islice(url_gen, 0, max_count)) 
        if not url_list: 
            break 
        start = time.time() 
        fetch(url_list) 
        end = time.time() - start 
        if end < 1: 
            time.sleep(1 - end) 
 
 
if __name__ == '__main__': 
    run() 

首先，我們修改了文件讀取的方式，把原來讀列表的形式，改為了生成器的形式。這樣我們?cè)谡{(diào)用該文件讀取方法的時(shí)候大大節(jié)省了內(nèi)存。

然后就是對(duì)上面for循環(huán)進(jìn)行改造，因?yàn)樯善鞯奶匦裕@里不適合使用for進(jìn)行迭代，因?yàn)槊恳淮蔚牡紩?huì)消耗生成器的元素，通過使用itertools的islice對(duì)url_gen進(jìn)行切分,islice是生成器的切片,這里我們每次切分出含有5個(gè)元素的生成器，因?yàn)樯善鳑]有__len__方法所以，我們將其轉(zhuǎn)為列表，然后判斷列表是否為空，就可以知道迭代是否該結(jié)束了。

修改之后的代碼，不管是性能還是節(jié)省內(nèi)存上都大大的提高。讀取千萬級(jí)的文件不是問題。

除此之外，在使用異步爬蟲的時(shí)候，也許會(huì)用到異步生成器切片。下面就和大家討論，異步生成器切分的問題

異步生成器切分

首先先來看一個(gè)簡(jiǎn)單的異步生成器。

我們知道調(diào)用下面的代碼會(huì)得到一個(gè)生成器

def foo(): 
    for i in range(20): 
        yield i 

如果在def前面加一個(gè)async，那么在調(diào)用的時(shí)候它就是個(gè)異步生成器了。

完整示例代碼如下

import asyncio 
async def foo(): 
    for i in range(20): 
        yield i 
 
 
async def run(): 
    async_gen = foo() 
    async for i in async_gen: 
        print(i) 
 
 
if __name__ == '__main__': 
    asyncio.run(run()) 

關(guān)于async for的切分有點(diǎn)復(fù)雜，這里推薦使用aiostream模塊，使用之后代碼改為下面這樣

import asyncio 
from aiostream import stream 
 
async def foo(): 
    for i in range(22): 
        yield i 
 
 
async def run(): 
    index = 0 
    limit = 5 
 
    while True: 
        xs = stream.iterate(foo()) 
        ys = xs[index:index + limit] 
        t = await stream.list(ys) 
        if not t: 
            break 
        print(t) 
        index += limit 
 
 
if __name__ == '__main__': 
    asyncio.run(run())