在做爬蟲的時候，我們往往可能這些情況：

• 網站比較複雜，會碰到很多重複請求。
• 有時候爬蟲意外中斷了，但我們沒有保存爬取狀態，再次運行就需要重新爬取。

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”，也就是説，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裏面，每次爬取之前檢查一下是不是在列表或數據庫裏面就好了。

是的，這個思路沒問題，但有沒有想過這些問題：

• 寫入到文件或者數據庫可能是永久性的，如果我想控制緩存的有效時間，那就還得有個過期時間控制。
• 這個緩存根據什麼來判斷？如果僅僅是 URL 本身夠嗎？還有 Request Method、Request Headers 呢，如果它們不一樣了，那還要不要用緩存？
• 如果我們有好多項目，難道都沒有一個通用的解決方案嗎？

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：

pip3 install requests-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：

import requests
import time

start = time.time()
session = requests.Session()
for i in range(10):
    session.get('http://httpbin.org/delay/1')
    print(f'Finished {i + 1} requests')
end = time.time()
print('Cost time', end - start)

這裏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 秒之後才會返回響應。

這裏請求了 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：

Finished 1 requests
Finished 2 requests
Finished 3 requests
Finished 4 requests
Finished 5 requests
Finished 6 requests
Finished 7 requests
Finished 8 requests
Finished 9 requests
Finished 10 requests
Cost time 13.17966604232788

可以看到，這裏一共用了13 秒。

那如果我們用上 requests-cache 呢？結果會怎樣？

代碼改寫如下：

import requests_cache
import time

start = time.time()
session = requests_cache.CachedSession('demo_cache')

for i in range(10):
    session.get('http://httpbin.org/delay/1')
    print(f'Finished {i + 1} requests')
end = time.time()
print('Cost time', end - start)

這裏我們聲明瞭一個 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：

Finished 1 requests
Finished 2 requests
Finished 3 requests
Finished 4 requests
Finished 5 requests
Finished 6 requests
Finished 7 requests
Finished 8 requests
Finished 9 requests
Finished 10 requests
Cost time 1.6248838901519775

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裏面有個 responses 表，裏面多了一個 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，裏面的內容就是 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：

import time
import requests
import requests_cache

requests_cache.install_cache('demo_cache')

start = time.time()
session = requests.Session()
for i in range(10):
    session.get('http://httpbin.org/delay/1')
    print(f'Finished {i + 1} requests')
end = time.time()
print('Cost time', 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：

Finished 1 requests
Finished 2 requests
Finished 3 requests
Finished 4 requests
Finished 5 requests
Finished 6 requests
Finished 7 requests
Finished 8 requests
Finished 9 requests
Finished 10 requests
Cost time 0.018644094467163086

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：

import time
import requests
import requests_cache

requests_cache.install_cache('demo_cache', backend='filesystem')

start = time.time()
session = requests.Session()
for i in range(10):
    session.get('http://httpbin.org/delay/1')
    print(f'Finished {i + 1} requests')
end = time.time()
print('Cost time', end - start)

這裏我們添加了一個 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)

這裏添加一個 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)

這裏添加一個 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)

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：

import time
import requests
import requests_cache

requests_cache.install_cache('demo_cache2', allowable_methods=['POST'])

start = time.time()
session = requests.Session()
for i in range(10):
    session.get('http://httpbin.org/delay/1')
    print(f'Finished {i + 1} requests')
end = time.time()
print('Cost time for get', end - start)
start = time.time()

for i in range(10):
    session.post('http://httpbin.org/delay/1')
    print(f'Finished {i + 1} requests')
end = time.time()
print('Cost time for post', end - start)

這裏我們添加了一個 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：

Finished 1 requests
Finished 2 requests
Finished 3 requests
Finished 4 requests
Finished 5 requests
Finished 6 requests
Finished 7 requests
Finished 8 requests
Finished 9 requests
Finished 10 requests
Cost time for get 12.916549682617188
Finished 1 requests
Finished 2 requests
Finished 3 requests
Finished 4 requests
Finished 5 requests
Finished 6 requests
Finished 7 requests
Finished 8 requests
Finished 9 requests
Finished 10 requests
Cost time for post 1.2473630905151367

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：

import time
import requests
import requests_cache

requests_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。

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。

比如説，我們知道 HTTP 裏面有個 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：

import time
import requests
import requests_cache

requests_cache.install_cache('demo_cache3')

start = time.time()
session = requests.Session()
for i in range(10):
    session.get('http://httpbin.org/delay/1',
                headers={
                    'Cache-Control': 'no-store'
                })
    print(f'Finished {i + 1} requests')
end = time.time()
print('Cost time for get', end - start)
start = time.time()

這裏我們在 Request Headers 裏面加上了 Cache-Control 為 no-store，這樣的話，即使我們聲明瞭緩存那也不會生效。

當然 Response Headers 的解析也是支持的，我們可以這樣開啓：

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。

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裏啦！

如果你覺得文章還不錯，歡迎關注公眾號：Python編程學習圈，或是前往編程學習網，瞭解更多編程技術知識，還有大量乾貨學習資料可以領取！