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。
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!
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)
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(正则表达式),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):
##################################################
Dejen Gebremeskel , Ethiopian long-distance runner
最后
🍅 硬核资料:关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助:技术群大佬指点迷津,你的问题可能不是问题,求资源在群里喊一声。
🍅 面试题库:由技术群里的小伙伴们共同投稿,热乎的大厂面试真题,持续更新中。
🍅 知识体系:含编程语言、算法、大数据生态圈组件(Mysql、Hive、Spark、Flink)、数据仓库、Python、前端等等。
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。
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!