python爬取网页标题和链接,python爬取网页数据步骤

大家好，给大家分享一下python爬取网页内的指定内容，很多人还不知道这一点。下面详细解释一下。现在让我们来看看！

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

desc = (‘span’, class_=“wikibase-deionview-text”)

if name is not None and desc is not None:

print(‘%-40s,\t%s’%(, ))

for url in urls:

parser(url)

t2 = () # 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.呵呵43

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

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 = ()

print(‘#’ * 50)

url = “?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 = (url, headers=headers)

解析网页

soup = BeautifulSoup(, “lxml”)

找到name和Deion所在的记录

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

urls = []

获取网址

for human in human_list:

url = (‘a’)[‘href’]

urls.append(‘’+url)

获取每个网页的name和deion

def parser(url):

req = (url)

利用BeautifulSoup将获取到的文本解析成HTML

soup = BeautifulSoup(, “lxml”)

获取name和deion

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

desc = (‘span’, class_=“wikibase-deionview-text”)

if name is not None and desc is not None:

print(‘%-40s,\t%s’%(, ))

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 = () # 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 = ()

print(‘#’ * 50)

url = “?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 = (url, headers=headers)

解析网页

soup = BeautifulSoup(, “lxml”)

找到name和Deion所在的记录

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

urls = []

获取网址

for human in human_list:

url = (‘a’)[‘href’]

urls.append(‘’+url)

异步HTTP请求

async def fetch(session, url):

async with (url) as response:

return await ()

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deion

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

desc = (‘span’, class_=“wikibase-deionview-text”)

if name is not None and desc is not None:

print(‘%-40s,\t%s’%(, ))

处理网页，获取name和deion

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 = () # 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 = ()

print(‘#’ * 50)

url = “?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 = (url, headers=headers)

解析网页

soup = BeautifulSoup(, “lxml”)

找到name和Deion所在的记录

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

urls = []

获取网址

for human in human_list:

url = (‘a’)[‘href’]

urls.append(‘’ + url)

异步HTTP请求

async def fetch(session, url):

async with (url) as response:

return await ()

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deion

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 = () # 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)：

如果你也是看准了Python，想自学Python，在这里为大家准备了丰厚的红薯CSDN学习大礼包，带大家一起学习，给大家剖析Python兼职、就业行情前景的这些事儿。

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，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。

二、学习软件

工欲善其必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、红薯CSDNPDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

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。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

成为一个Python程序员专家或许需要花费数年时间，但是打下坚实的基础只要几周就可以，如果你按照我提供的学习路线以及资料有意识地去实践，你就有很大可能成功！ 最后祝你好运！！！

网上红薯CSDN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。

需要这份系统化红薯CSDN的朋友，可以戳这里无偿获取

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！