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！
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
