如何加速Python的urllib2进行多个请求

Question

我正在使用Python的urllib2库向一个特定的主机发送多个HTTP请求。每次发送请求时，都会新建一个TCP和HTTP连接，这个过程需要花费不少时间。有没有办法在使用urllib2时保持TCP/HTTP连接一直处于活动状态呢？

Answer 1

如果你需要比普通的 httplib 更自动化的东西，这个可能会对你有帮助，不过它不是线程安全的。

try:
    from http.client import HTTPConnection, HTTPSConnection
except ImportError:
    from httplib import HTTPConnection, HTTPSConnection
import select
connections = {}


def request(method, url, body=None, headers={}, **kwargs):
    scheme, _, host, path = url.split('/', 3)
    h = connections.get((scheme, host))
    if h and select.select([h.sock], [], [], 0)[0]:
        h.close()
        h = None
    if not h:
        Connection = HTTPConnection if scheme == 'http:' else HTTPSConnection
        h = connections[(scheme, host)] = Connection(host, **kwargs)
    h.request(method, '/' + path, body, headers)
    return h.getresponse()


def urlopen(url, data=None, *args, **kwargs):
    resp = request('POST' if data else 'GET', url, data, *args, **kwargs)
    assert resp.status < 400, (resp.status, resp.reason, resp.read())
    return resp

Answer 2

我以前用过第三方的 urllib3 库，效果很好。这个库是为了配合 urllib2 使用的，它的主要功能是把连接集中起来，以便重复使用。

下面是从 维基百科 修改过来的一个例子：

>>> from urllib3 import HTTPConnectionPool
>>> # Create a connection pool for a specific host
... http_pool = HTTPConnectionPool('www.google.com')
>>> # simple GET request, for example
... r = http_pool.urlopen('GET', '/')
>>> print r.status, len(r.data)
200 28050
>>> r = http_pool.urlopen('GET', '/search?q=hello+world')
>>> print r.status, len(r.data)
200 79124

Answer 3

如果你换用 httplib，你就能更好地控制底层的连接。

举个例子：

import httplib

conn = httplib.HTTPConnection(url)

conn.request('GET', '/foo')
r1 = conn.getresponse()
r1.read()

conn.request('GET', '/bar')
r2 = conn.getresponse()
r2.read()

conn.close()

这样做会在同一个底层的TCP连接上发送两个HTTP GET请求。