python并发执行request请求的示例

 更新时间:2024年06月27日 09:06:54   作者:TechSynapse  
这篇文章主要介绍了python并发执行request请求,我将为我们展示使用concurrent.futures.ThreadPoolExecutor和requests库并发执行HTTP请求的示例,需要的朋友可以参考下

在Python中,我们可以使用requests库来发送HTTP请求,并使用threadingmultiprocessingasyncio(配合aiohttp)或concurrent.futures等库来并发执行这些请求。这里,我将为我们展示使用concurrent.futures.ThreadPoolExecutorrequests库并发执行HTTP请求的示例。

1.使用concurrent.futures.ThreadPoolExecutor并发发送请求示例

首先,我们需要安装requests库(如果还没有安装的话):

pip install requests

然后,我们可以使用以下代码来并发地发送HTTP GET请求:

import concurrent.futures  
import requests  
# 假设我们有一个URL列表  
urls = [  
    'http://example.com/api/data1',  
    'http://example.com/api/data2',  
    'http://example.com/api/data3',  
    # ... 添加更多URL  
]  
# 定义一个函数,该函数接收一个URL,发送GET请求,并打印响应内容  
def fetch_data(url):  
    try:  
        response = requests.get(url)  
        response.raise_for_status()  # 如果请求失败(例如,4xx、5xx),则抛出HTTPError异常  
        print(f"URL: {url}, Status Code: {response.status_code}, Content: {response.text[:100]}...")  
    except requests.RequestException as e:  
        print(f"Error fetching {url}: {e}")  
# 使用ThreadPoolExecutor并发地执行fetch_data函数  
with concurrent.futures.ThreadPoolExecutor(max_workers=5) as executor:  # 你可以根据需要调整max_workers的值  
    future_to_url = {executor.submit(fetch_data, url): url for url in urls}  
    for future in concurrent.futures.as_completed(future_to_url):  
        url = future_to_url[future]  
        try:  
            # 通过调用future.result()来获取函数的返回值,这会阻塞,直到结果可用  
            # 但是请注意,这里我们只是打印结果,没有返回值,所以调用future.result()只是为了等待函数完成  
            future.result()  
        except Exception as exc:  
            print(f'Generated an exception for {url}: {exc}')

在这里简单解释一下这个代码示例。

(1)我们首先定义了一个URL列表,这些是我们想要并发访问的URL。

(2)然后,我们定义了一个函数fetch_data,它接收一个URL作为参数,发送GET请求,并打印响应的状态码和内容(只打印前100个字符以节省空间)。如果发生任何请求异常(例如,网络错误、无效的URL、服务器错误等),它会捕获这些异常并打印错误消息。

(3)使用concurrent.futures.ThreadPoolExecutor,我们可以轻松地并发执行fetch_data函数。我们创建了一个ThreadPoolExecutor实例,并指定了最大工作线程数(在这个例子中是5,但我们可以根据需要调整这个值)。然后,我们使用列表推导式将每个URL与一个Future对象关联起来,该对象表示异步执行的函数。

(4)最后,我们使用as_completed函数迭代所有完成的Future对象。对于每个完成的Future对象,我们调用result方法来获取函数的返回值(尽管在这个例子中我们没有使用返回值)。如果函数执行期间发生任何异常,result方法会重新引发该异常,我们可以捕获并处理它。

这个示例展示了如何使用Python的concurrent.futures模块来并发地发送HTTP请求。这种方法在IO密集型任务(如网络请求)上特别有效,因为它允许在等待IO操作完成时释放CPU资源供其他线程使用。

2.requests库并发发送HTTP GET请求的完整Python代码示例

以下是一个使用concurrent.futures.ThreadPoolExecutorrequests库并发发送HTTP GET请求的完整Python代码示例:

import concurrent.futures  
import requests  
# 假设我们有一个URL列表  
urls = [  
    'https://www.example.com',  
    'https://httpbin.org/get',  
    'https://api.example.com/some/endpoint',  
    # ... 添加更多URL  
]  
# 定义一个函数来发送GET请求并处理响应  
def fetch_url(url):  
    try:  
        response = requests.get(url, timeout=5)  # 设置超时为5秒  
        response.raise_for_status()  # 如果请求失败,抛出HTTPError异常  
        return response.text  # 返回响应内容,这里只是作为示例,实际使用中可能不需要返回  
    except requests.RequestException as e:  
        print(f"Error fetching {url}: {e}")  
        return None  
# 使用ThreadPoolExecutor并发地发送请求  
def fetch_all_urls(urls):  
    with concurrent.futures.ThreadPoolExecutor(max_workers=5) as executor:  
        # 使用executor.map来自动处理迭代和Future的获取  
        results = executor.map(fetch_url, urls)  
    # 处理结果(这里只是简单地打印出来)  
    for result in results:  
        if result is not None:  
            print(f"Fetched content from a URL (truncated): {result[:100]}...")  
# 调用函数  
fetch_all_urls(urls)

在这个示例中,我们定义了一个fetch_url函数,它接收一个URL,发送GET请求,并返回响应内容(或在出错时返回None)。然后,我们定义了一个fetch_all_urls函数,它使用ThreadPoolExecutor并发地调用fetch_url函数,并将结果收集在一个迭代器中。最后,我们遍历这个迭代器,并打印出每个成功获取到的响应内容(这里只打印了前100个字符作为示例)。

请注意,我们在requests.get中设置了一个超时参数(timeout=5),这是为了防止某个请求因为网络问题或其他原因而无限期地等待。在实际应用中,根据我们的需求调整这个值是很重要的。

此外,我们还使用了executor.map来自动处理迭代和Future的获取。executor.map函数会返回一个迭代器,它会产生fetch_url函数的返回值,这些值在函数完成后会自动从相应的Future对象中提取出来。这使得代码更加简洁,并且减少了显式处理Future对象的需要。

3.如何在Python中实现并发编程

在Python中实现并发编程,主要有以下几种方式:

(1)使用threading模块threading模块提供了多线程编程的API。Python的线程是全局解释器锁(GIL)下的线程,这意味着在任意时刻只有一个线程能够执行Python字节码。然而,对于I/O密集型任务(如网络请求),多线程仍然可以通过并发地等待I/O操作来提高性能。

示例:

import threading  
import requests  
def fetch_url(url):  
    try:  
        response = requests.get(url)  
        response.raise_for_status()  
        print(f"URL: {url}, Status Code: {response.status_code}")  
    except requests.RequestException as e:  
        print(f"Error fetching {url}: {e}")  
threads = []  
for url in urls:  
    t = threading.Thread(target=fetch_url, args=(url,))  
    threads.append(t)  
    t.start()  
# 等待所有线程完成  
for t in threads:  
    t.join()

(2)使用multiprocessing模块multiprocessing模块提供了跨多个Python解释器的进程间并行处理。这对于CPU密集型任务特别有用,因为每个进程都有自己的Python解释器和GIL,可以充分利用多核CPU的并行处理能力。

示例:

from multiprocessing import Pool  
import requests  
def fetch_url(url):  
    try:  
        response = requests.get(url)  
        response.raise_for_status()  
        return f"URL: {url}, Status Code: {response.status_code}"  
    except requests.RequestException as e:  
        return f"Error fetching {url}: {e}"  
with Pool(processes=4) as pool:  # 设定进程池的大小  
    results = pool.map(fetch_url, urls)  
for result in results:  
    print(result)

(3)使用asyncio模块(针对异步I/O)asyncio是Python 3.4+中引入的用于编写单线程并发代码的库,特别适合编写网络客户端和服务器。它使用协程(coroutine)和事件循环(event loop)来管理并发。

示例(使用aiohttp库进行异步HTTP请求):

import asyncio  
import aiohttp  
async def fetch_url(url, session):  
    async with session.get(url) as response:  
        return await response.text()  
async def main():  
    async with aiohttp.ClientSession() as session:  
        tasks = []  
        for url in urls:  
            task = asyncio.create_task(fetch_url(url, session))  
            tasks.append(task)  
        results = await asyncio.gather(*tasks)  
        for result, url in zip(results, urls):  
            print(f"URL: {url}, Content: {result[:100]}...")  
# Python 3.7+ 可以使用下面的方式运行主协程  
asyncio.run(main())

注意:asyncio.run()是在Python 3.7中引入的,用于运行顶层入口点函数。在Python 3.6及以下版本中,我们需要自己设置和运行事件循环。

(4)使用concurrent.futures模块concurrent.futures模块提供了高层次的接口,可以轻松地编写并发代码。它提供了ThreadPoolExecutor(用于线程池)和ProcessPoolExecutor(用于进程池)。

前面已经给出了ThreadPoolExecutor的示例,这里不再重复。ProcessPoolExecutor的用法与ThreadPoolExecutor类似,只是它是基于进程的。

选择哪种并发方式取决于我们的具体需求。对于I/O密集型任务,多线程或异步I/O通常是更好的选择;对于CPU密集型任务,多进程可能是更好的选择。此外,异步I/O通常比多线程具有更好的性能,特别是在高并发的网络应用中。

到此这篇关于python并发执行request请求的文章就介绍到这了,更多相关python request请求内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • Python用5行代码写一个自定义简单二维码

    Python用5行代码写一个自定义简单二维码

    今天小编就为大家分享一篇关于Python用5行代码写一个自定义简单二维码的文章,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
    2018-10-10
  • Python实现简易信息分类存储软件

    Python实现简易信息分类存储软件

    这篇文章主要介绍的是通过Python制作一个简易的文件分类存储文件,可以实现信息的增删改查以及内容的导出和回复,文中的示例代码对我们的学习有一定的价值,感兴趣的同学可以了解一下
    2021-12-12
  • python学习之hook钩子的原理和使用

    python学习之hook钩子的原理和使用

    这篇文章主要为大家详细介绍了python学习之hook钩子的原理和使用,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2018-10-10
  • 跟老齐学Python之大话题小函数(2)

    跟老齐学Python之大话题小函数(2)

    上篇文章我们讲诉了map 和lambda函数的使用,本文我们继续来看看reduce和filter函数,有需要的朋友可以参考下
    2014-10-10
  • Python装饰器实现方法及应用场景详解

    Python装饰器实现方法及应用场景详解

    这篇文章主要介绍了Python装饰器实现方法及应用场景详解,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
    2020-03-03
  • Python高级排序sort()函数使用技巧实例探索

    Python高级排序sort()函数使用技巧实例探索

    本文详细介绍sort()函数的使用,包括基本排序、自定义排序、逆序排序等多种情况,并提供大量示例代码,以帮助你充分理解和掌握这一函数的用法,探索更多sort()排序函数的作用
    2024-01-01
  • 对python中类的继承与方法重写介绍

    对python中类的继承与方法重写介绍

    今天小编就为大家分享一篇对python中类的继承与方法重写介绍,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2019-01-01
  • Python中的getter和setter的方法使用详解

    Python中的getter和setter的方法使用详解

    基本上,在面向对象编程语言中,使用setter和getter方法的主要目的是为了确保数据的封装,这篇文章主要介绍了Python的getter和setter的方法使用详解,需要的朋友可以参考下
    2022-12-12
  • Python web框架之tornado的使用

    Python web框架之tornado的使用

    tornado是一个用Python语言写成的Web服务器兼Web应用框架,本文主要介绍了Python web框架之tornado的使用,具有一定的参考价值,感兴趣的可以了解一下
    2023-05-05
  • Python爬虫_城市公交、地铁站点和线路数据采集实例

    Python爬虫_城市公交、地铁站点和线路数据采集实例

    下面小编就为大家分享一篇Python爬虫_城市公交、地铁站点和线路数据采集实例,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2018-01-01

最新评论