在做爬蟲的時候，我們往往可能這些情況：
還有諸如此類的問題。
那怎麼解決這些重複爬取的問題呢？大家很可能都想到了「緩存」，也就是說，爬取過一遍就直接跳過爬取。
那一般怎麼做呢？
比如我寫一個邏輯，把已經爬取過的 URL 保存到文件或者數據庫裡面，每次爬取之前檢查一下是不是在列表或數據庫裡面就好了。
是的，這個思路沒問題，但有沒有想過這些問題：
的確是些問題，實現起來確實要考慮很多問題。
不過不用擔心，今天給大家介紹一個神器，可以幫助我們通通解決如上的問題。
介紹它就是 requests-cache，是 requests 庫的一個擴展包，利用它我們可以非常方便地實現請求的緩存，直接得到對應的爬取結果。
下面我們來介紹下它的使用。
安裝安裝非常簡單，使用 pip3 即可：
pip3installrequests-cache安裝完畢之後我們來了解下它的基本用法。
基本用法下面我們首先來看一個基礎實例：
importrequestsimporttimestart=time.time()session=requests.Session()foriinrange(10):session.get('http://httpbin.org/delay/1')print(f'Finished{i+1}requests')end=time.time()print('Costtime',end-start)這裡我們請求了一個網站，是 http://httpbin.org/delay/1，這個網站模擬了一秒延遲，也就是請求之後它會在 1 秒之後才會返迴響應。
這裡請求了 10 次，那就至少得需要 10 秒才能完全運行完畢。
運行結果如下：
Finished1requestsFinished2requestsFinished3requestsFinished4requestsFinished5requestsFinished6requestsFinished7requestsFinished8requestsFinished9requestsFinished10requestsCosttime13.17966604232788可以看到，這裡一共用了13 秒。
那如果我們用上 requests-cache 呢？結果會怎樣？
代碼改寫如下：
importrequests_cacheimporttimestart=time.time()session=requests_cache.CachedSession('demo_cache')foriinrange(10):session.get('http://httpbin.org/delay/1')print(f'Finished{i+1}requests')end=time.time()print('Costtime',end-start)這裡我們聲明了一個 CachedSession，將原本的 Session 對象進行了替換，還是請求了 10 次。
運行結果如下：
Finished1requestsFinished2requestsFinished3requestsFinished4requestsFinished5requestsFinished6requestsFinished7requestsFinished8requestsFinished9requestsFinished10requestsCosttime1.6248838901519775可以看到，一秒多就爬取完畢了！
發生了什麼？
這時候我們可以發現，在本地生成了一個 demo_cache.sqlite 的數據庫。
我們打開之後可以發現裡面有個 responses 表，裡面多了一個 key-value 記錄，如圖所示：
我們可以可以看到，這個 key-value 記錄中的 key 是一個 hash 值，value 是一個 Blob 對象，裡面的內容就是 Response 的結果。
可以猜到，每次請求都會有一個對應的 key 生成，然後 requests-cache 把對應的結果存儲到了 SQLite 數據庫中了，後續的請求和第一次請求的 URL 是一樣的，經過一些計算它們的 key 也都是一樣的，所以後續 2-10 請求就立馬返回了。
是的，利用這個機制，我們就可以跳過很多重複請求了，大大節省爬取時間。
Patch 寫法但是，剛才我們在寫的時候把 requests 的 session 對象直接替換了。有沒有別的寫法呢？比如我不影響當前代碼，只在代碼前面加幾行初始化代碼就完成 requests-cache 的配置呢？
當然是可以的，代碼如下：
importtimeimportrequestsimportrequests_cacherequests_cache.install_cache('demo_cache')start=time.time()session=requests.Session()foriinrange(10):session.get('http://httpbin.org/delay/1')print(f'Finished{i+1}requests')end=time.time()print('Costtime',end-start)這次我們直接調用了 requests-cache 庫的 install_cache 方法就好了，其他的 requests 的 Session 照常使用即可。
我們再運行一遍：
Finished1requestsFinished2requestsFinished3requestsFinished4requestsFinished5requestsFinished6requestsFinished7requestsFinished8requestsFinished9requestsFinished10requestsCosttime0.018644094467163086這次比上次更快了，為什麼呢？因為這次所有的請求都命中了 Cache，所以很快返回了結果。
後端配置剛才我們知道了，requests-cache 默認使用了 SQLite 作為緩存對象，那這個能不能換啊？比如用文件，或者其他的數據庫呢？
自然是可以的。
比如我們可以把後端換成本地文件，那可以這麼做：
importtimeimportrequestsimportrequests_cacherequests_cache.install_cache('demo_cache',backend='filesystem')start=time.time()session=requests.Session()foriinrange(10):session.get('http://httpbin.org/delay/1')print(f'Finished{i+1}requests')end=time.time()print('Costtime',end-start)這裡我們添加了一個 backend 參數，然後指定為 filesystem，這樣運行之後本地就會生成一個 demo_cache 的文件夾用作緩存，如果不想用緩存的話把這個文件夾刪了就好了。
當然我們還可以更改緩存文件夾的位置，比如：
requests_cache.install_cache('demo_cache',backend='filesystem',use_temp=True)這裡添加一個 use_temp 參數，緩存文件夾便會使用系統的臨時目錄，而不會在代碼區創建緩存文件夾。
當然也可以這樣：
requests_cache.install_cache('demo_cache',backend='filesystem',use_cache_dir=True)這裡添加一個 use_cache_dir 參數，緩存文件夾便會使用系統的專用緩存文件夾，而不會在代碼區創建緩存文件夾。
另外除了文件系統，requests-cache 也支持其他的後端，比如 Redis、MongoDB、GridFS 甚至內存，但也需要對應的依賴庫支持，具體可以參見下表：
比如使用 Redis 就可以改寫如下：
backend=requests_cache.RedisCache(host='localhost',port=6379)requests_cache.install_cache('demo_cache',backend=backend)更多詳細配置可以參考官方文檔：https://requests-cache.readthedocs.io/en/stable/user_guide/backends.html#backends。
Filter當然，我們有時候也想指定有些請求不緩存，比如只緩存 POST 請求，不緩存 GET 請求，那可以這樣來配置：
importtimeimportrequestsimportrequests_cacherequests_cache.install_cache('demo_cache2',allowable_methods=['POST'])start=time.time()session=requests.Session()foriinrange(10):session.get('http://httpbin.org/delay/1')print(f'Finished{i+1}requests')end=time.time()print('Costtimeforget',end-start)start=time.time()foriinrange(10):session.post('http://httpbin.org/delay/1')print(f'Finished{i+1}requests')end=time.time()print('Costtimeforpost',end-start)這裡我們添加了一個 allowable_methods 指定了一個過濾器，只有 POST 請求會被緩存，GET 請求就不會。
看下運行結果：
Finished1requestsFinished2requestsFinished3requestsFinished4requestsFinished5requestsFinished6requestsFinished7requestsFinished8requestsFinished9requestsFinished10requestsCosttimeforget12.916549682617188Finished1requestsFinished2requestsFinished3requestsFinished4requestsFinished5requestsFinished6requestsFinished7requestsFinished8requestsFinished9requestsFinished10requestsCosttimeforpost1.2473630905151367這時候就看到 GET 請求由於沒有緩存，就花了 12 多秒才結束，而 POST 由於使用了緩存，一秒多就結束了。
另外我們還可以針對 Response Status Code 進行過濾，比如只有 200 會緩存，則可以這樣寫：
importtimeimportrequestsimportrequests_cacherequests_cache.install_cache('demo_cache2',allowable_codes=(200,))當然我們還可以匹配 URL，比如針對哪種 Pattern 的 URL 緩存多久，則可以這樣寫：
urls_expire_after={'*.site_1.com':30,'site_2.com/static':-1}requests_cache.install_cache('demo_cache2',urls_expire_after=urls_expire_after)這樣的話，site_1.com 的內容就會緩存 30 秒，site_2.com/static 的內容就永遠不會過期。
當然，我們也可以自定義 Filter，具體可以參見：https://requests-cache.readthedocs.io/en/stable/user_guide/filtering.html#custom-cache-filtering。
Cache Headers除了我們自定義緩存，requests-cache 還支持解析 HTTP Request / Response Headers 並根據 Headers 的內容來緩存。
比如說，我們知道 HTTP 裡面有個 Cache-Control 的 Request / Response Header，它可以指定瀏覽器要不要對本次請求進行緩存，那 requests-cache 怎麼來支持呢？
實例如下：
importtimeimportrequestsimportrequests_cacherequests_cache.install_cache('demo_cache3')start=time.time()session=requests.Session()foriinrange(10):session.get('http://httpbin.org/delay/1',headers={'Cache-Control':'no-store'})print(f'Finished{i+1}requests')end=time.time()print('Costtimeforget',end-start)start=time.time()這裡我們在 Request Headers 裡面加上了 Cache-Control 為 no-store，這樣的話，即使我們聲明了緩存那也不會生效。
當然 Response Headers 的解析也是支持的，我們可以這樣開啟：
requests_cache.install_cache('demo_cache3',cache_control=True)如果我們配置了這個參數，那麼 expire_after 的配置就會被覆蓋而不會生效。
更多的用法可以參見：https://requests-cache.readthedocs.io/en/stable/user_guide/headers.html#cache-headers。
總結好了，到現在為止，一些基本配置、過期時間配置、後端配置、過濾器配置等基本常見的用法就介紹到這裡啦，更多詳細的用法大家可以參考官方文檔：https://requests-cache.readthedocs.io/en/stable/user_guide.html。
希望對大家有幫助。
End
留言列表