如何用最快的方式发送 10 万个 HTTP 请求

[[419539]]

假如有一个文件，里面有 10 万个 url，需要对每个 url 发送 http 请求，并打印请求结果的状态码，如何编写代码尽可能快的完成这些任务呢?

Python 并发编程有很多方法，多线程的标准库 threading，concurrency，协程 asyncio，当然还有 grequests 这种异步库，每一个都可以实现上述需求，下面一一用代码实现一下，本文的代码可以直接运行，给你以后的并发编程作为参考：

队列+多线程

定义一个大小为 400 的队列，然后开启 200 个线程，每个线程都是不断的从队列中获取 url 并访问。

主线程读取文件中的 url 放入队列中，然后等待队列中所有的元素都被接收和处理完毕。代码如下：

from threading import Thread 
import sys 
from queue import Queue 
import requests 
 
concurrent = 200 
 
 
def doWork(): 
    while True: 
        url = q.get() 
        status, url = getStatus(url) 
        doSomethingWithResult(status, url) 
        q.task_done() 
 
 
def getStatus(ourl): 
    try: 
        res = requests.get(ourl) 
        return res.status_code, ourl 
    except: 
        return "error", ourl 
 
 
def doSomethingWithResult(status, url): 
    print(status, url) 
 
 
q = Queue(concurrent * 2) 
for i in range(concurrent): 
    t = Thread(target=doWork) 
    t.daemon = True 
    t.start() 
 
try: 
    for url in open("urllist.txt"): 
        q.put(url.strip()) 
    q.join() 
except KeyboardInterrupt: 
    sys.exit(1) 

运行结果如下：

有没有 get 到新技能?

线程池

如果你使用线程池，推荐使用更高级的 concurrent.futures 库：

import concurrent.futures 
import requests 
 
out = [] 
CONNECTIONS = 100 
TIMEOUT = 5 
 
urls = [] 
with open("urllist.txt") as reader: 
    for url in reader: 
        urls.append(url.strip()) 
 
def load_url(url, timeout): 
    ans = requests.get(url, timeout=timeout) 
    return ans.status_code 
 
with concurrent.futures.ThreadPoolExecutor(max_workers=CONNECTIONS) as executor: 
    future_to_url = (executor.submit(load_url, url, TIMEOUT) for url in urls) 
    for future in concurrent.futures.as_completed(future_to_url): 
        try: 
            data = future.result() 
        except Exception as exc: 
            data = str(type(exc)) 
        finally: 
            out.append(data) 
            print(data) 

协程 + aiohttp

协程也是并发非常常用的工具了：

import asyncio 
from aiohttp import ClientSession, ClientConnectorError 
 
async def fetch_html(url: str, session: ClientSession, **kwargs) -> tuple: 
    try: 
        resp = await session.request(method="GET", url=url, **kwargs) 
    except ClientConnectorError: 
        return (url, 404) 
    return (url, resp.status) 
 
async def make_requests(urls: set, **kwargs) -> None: 
    async with ClientSession() as session: 
        tasks = [] 
        for url in urls: 
            tasks.append( 
                fetch_html(url=url, session=session, **kwargs) 
            ) 
        results = await asyncio.gather(*tasks) 
 
    for result in results: 
        print(f'{result[1]} - {str(result[0])}') 
 
if __name__ == "__main__": 
    import sys 
    assert sys.version_info >= (3, 7), "Script requires Python 3.7+." 
    with open("urllist.txt") as infile: 
        urls = set(map(str.strip, infile)) 
    asyncio.run(make_requests(urls=urls)) 

grequests[1]

这是个第三方库，目前有 3.8K 个星，就是 Requests + Gevent[2]，让异步 http 请求变得更加简单。Gevent 的本质还是协程。

使用前：

pip install grequests 

使用起来那是相当的简单：

import grequests 
 
urls = [] 
with open("urllist.txt") as reader: 
    for url in reader: 
        urls.append(url.strip()) 
 
rs = (grequests.get(u) for u in urls) 
 
for result in grequests.map(rs): 
    print(result.status_code, result.url) 

注意 grequests.map(rs) 是并发执行的。运行结果如下：

也可以加入异常处理：

>>> def exception_handler(request, exception): 
...    print("Request failed") 
 
>>> reqs = [ 
...    grequests.get('http://httpbin.org/delay/1', timeout=0.001), 
...    grequests.get('http://fakedomain/'), 
...    grequests.get('http://httpbin.org/status/500')] 
>>> grequests.map(reqs, exception_handler=exception_handler) 
Request failed 
Request failed 
[None, None, <Response [500]>] 

最后的话 

今天分享了并发 http 请求的几种实现方式，有人说异步(协程)性能比多线程好，其实要分场景看的，没有一种方法适用所有的场景，笔者就曾做过一个实验，也是请求 url，当并发数量超过 500 时，协程明显变慢。