2024年Python最全python爬取网站数据四种姿势，你值得拥有(2)，2024年最新阿里面试的问题

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

解析网页

soup = BeautifulSoup(req.text, “lxml”)

找到name和Description所在的记录

human_list = soup.find(id=‘mw-whatlinkshere-list’)(‘li’)

urls = []

获取网址

for human in human_list:

url = human.find(‘a’)[‘href’]

urls.append(‘https://www.wikidata.org’+url)

获取每个网页的name和description

def parser(url):

req = requests.get(url)

利用BeautifulSoup将获取到的文本解析成HTML

soup = BeautifulSoup(req.text, “lxml”)

获取name和description

name = soup.find(‘span’, class_=“wikibase-title-label”)

desc = soup.find(‘span’, class_=“wikibase-descriptionview-text”)

if name is not None and desc is not None:

print(‘%-40s,\t%s’%(name.text, desc.text))

for url in urls:

parser(url)

t2 = time.time() # 结束时间

print(‘一般方法，总共耗时：%s’ % (t2 - t1))

print(‘#’ * 50)

输出的结果如下(省略中间的输出，以……代替)：

##################################################

George Washington , first President of the United States

Douglas Adams , British author and humorist (1952–2001)

…

Willoughby Newton , Politician from Virginia, USA

Mack Wilberg , American conductor

一般方法，总共耗时：724.9654655456543

##################################################

使用同步方法，总耗时约725秒，即12分钟多。

一般方法虽然思路简单，容易实现，但效率不高，耗时长。那么，使用并发试试看。

并发方法

---

并发方法使用多线程来加速一般方法，我们使用的并发模块为concurrent.futures模块，设置多线程的个数为20个（实际不一定能达到，视计算机而定）。完整的Python代码如下：

import requests

from bs4 import BeautifulSoup

import time

from concurrent.futures import ThreadPoolExecutor, wait, ALL_COMPLETED

开始时间

t1 = time.time()

print(‘#’ * 50)

url = “http://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0”

请求头部

headers = {‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36’}

发送HTTP请求

req = requests.get(url, headers=headers)

解析网页

soup = BeautifulSoup(req.text, “lxml”)

找到name和Description所在的记录

human_list = soup.find(id=‘mw-whatlinkshere-list’)(‘li’)

urls = []

获取网址

for human in human_list:

url = human.find(‘a’)[‘href’]

urls.append(‘https://www.wikidata.org’+url)

获取每个网页的name和description

def parser(url):

req = requests.get(url)

利用BeautifulSoup将获取到的文本解析成HTML

soup = BeautifulSoup(req.text, “lxml”)

获取name和description

name = soup.find(‘span’, class_=“wikibase-title-label”)

desc = soup.find(‘span’, class_=“wikibase-descriptionview-text”)

if name is not None and desc is not None:

print(‘%-40s,\t%s’%(name.text, desc.text))

利用并发加速爬取

executor = ThreadPoolExecutor(max_workers=20)

submit()的参数： 第一个为函数， 之后为该函数的传入参数，允许有多个

future_tasks = [executor.submit(parser, url) for url in urls]

等待所有的线程完成，才进入后续的执行

wait(future_tasks, return_when=ALL_COMPLETED)

t2 = time.time() # 结束时间

print(‘并发方法，总共耗时：%s’ % (t2 - t1))

print(‘#’ * 50)

输出的结果如下（省略中间的输出，以……代替)：

##################################################

Larry Sanger , American former professor, co-founder of Wikipedia, founder of Citizendium and other projects

Ken Jennings , American game show contestant and writer

…

Antoine de Saint-Exupery , French writer and aviator

Michael Jackson , American singer, songwriter and dancer

并发方法，总共耗时：226.7499692440033

##################################################

使用多线程并发后的爬虫执行时间约为227秒，大概是一般方法的三分之一的时间，速度有了明显的提升啊！多线程在速度上有明显提升，但执行的网页顺序是无序的，在线程的切换上开销也比较大，线程越多，开销越大。

异步方法

---

异步方法在爬虫中是有效的速度提升手段，使用aiohttp可以异步地处理HTTP请求，使用asyncio可以实现异步IO，需要注意的是，aiohttp只支持3.5.3以后的Python版本。使用异步方法实现该爬虫的完整Python代码如下：

import requests

from bs4 import BeautifulSoup

import time

import aiohttp

import asyncio

开始时间

t1 = time.time()

print(‘#’ * 50)

url = “http://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0”

请求头部

headers = {‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36’}

发送HTTP请求

req = requests.get(url, headers=headers)

解析网页

soup = BeautifulSoup(req.text, “lxml”)

找到name和Description所在的记录

human_list = soup.find(id=‘mw-whatlinkshere-list’)(‘li’)

urls = []

获取网址

for human in human_list:

url = human.find(‘a’)[‘href’]

urls.append(‘https://www.wikidata.org’+url)

异步HTTP请求

async def fetch(session, url):

async with session.get(url) as response:

return await response.text()

解析网页

async def parser(html):

利用BeautifulSoup将获取到的文本解析成HTML

soup = BeautifulSoup(html, “lxml”)

获取name和description

name = soup.find(‘span’, class_=“wikibase-title-label”)

desc = soup.find(‘span’, class_=“wikibase-descriptionview-text”)

if name is not None and desc is not None:

print(‘%-40s,\t%s’%(name.text, desc.text))

处理网页，获取name和description

async def download(url):

async with aiohttp.ClientSession() as session:

try:

html = await fetch(session, url)

await parser(html)

except Exception as err:

print(err)

利用asyncio模块进行异步IO处理

loop = asyncio.get_event_loop()

tasks = [asyncio.ensure_future(download(url)) for url in urls]

tasks = asyncio.gather(*tasks)

loop.run_until_complete(tasks)

t2 = time.time() # 结束时间

print(‘使用异步，总共耗时：%s’ % (t2 - t1))

print(‘#’ * 50)

输出结果如下（省略中间的输出，以……代替)：

##################################################

Frédéric Taddeï , French journalist and TV host

Gabriel Gonzáles Videla , Chilean politician

…

Denmark , sovereign state and Scandinavian country in northern Europe

Usain Bolt , Jamaican sprinter and soccer player

使用异步，总共耗时：126.9002583026886

##################################################

显然，异步方法使用了异步和并发两种提速方法，自然在速度有明显提升，大约为一般方法的六分之一。异步方法虽然效率高，但需要掌握异步编程，这需要学习一段时间。

如果有人觉得127秒的爬虫速度还是慢，可以尝试一下异步代码（与之前的异步代码的区别在于：仅仅使用了正则表达式代替BeautifulSoup来解析网页，以提取网页中的内容）：

import requests

from bs4 import BeautifulSoup

import time

import aiohttp

import asyncio

import re

开始时间

t1 = time.time()

print(‘#’ * 50)

url = “http://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0”

请求头部

headers = {

‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36’}

发送HTTP请求

req = requests.get(url, headers=headers)

解析网页

soup = BeautifulSoup(req.text, “lxml”)

找到name和Description所在的记录

human_list = soup.find(id=‘mw-whatlinkshere-list’)(‘li’)

urls = []

获取网址

for human in human_list:

url = human.find(‘a’)[‘href’]

urls.append(‘https://www.wikidata.org’ + url)

异步HTTP请求

async def fetch(session, url):

async with session.get(url) as response:

return await response.text()

解析网页

async def parser(html):

利用正则表达式解析网页

try:

name = re.findall(r’(.+?)', html)[0]

desc = re.findall(r’(.+?)', html)[0]

print(‘%-40s,\t%s’ % (name, desc))

except Exception as err:

pass

处理网页，获取name和description

async def download(url):

async with aiohttp.ClientSession() as session:

try:

html = await fetch(session, url)

await parser(html)

做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。

别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。

我先来介绍一下这些东西怎么用，文末抱走。

---

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

（4）200多本电子书

这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。

基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。

（5）Python知识点汇总

知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。

（6）其他资料

还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。

这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！