為你的爬蟲提提速?
專案介紹
本文將展示如何利用Pyhton中的非同步模組來提高爬蟲的效率。
我們需要爬取的目標為:融360網站上的理財產品資訊(https://www.rong360.com/licai-bank/list/p1),頁面如下:
我們需要爬取86394條理財產品的資訊,每頁10條,也就是8640個頁面。
在文章Python爬蟲(16)利用Scrapy爬取銀行理財產品資訊(共12多萬條)中,我們使用爬蟲框架Scrapy實現了該爬蟲,爬取了127130條資料,並存入MongoDB,整個過程耗時3小時。按道理來說,使用Scrapy實現爬蟲是較好的選擇,但是在速度上,是否能有所提升呢?本文將展示如何利用Pyhton中的非同步模組(aiohtpp和asyncio)來提高爬蟲的效率。
爬蟲專案
我們的爬蟲分兩步走:
- 爬取融360網頁上的理財產品資訊並存入csv檔案;
- 讀取csv檔案並存入至MySQL資料庫。
首先,我們爬取融360網頁上的理財產品資訊並存入csv檔案,我們使用aiohttp和asyncio來加速爬蟲,完整的Python程式碼如下:
import re import time import aiohttp import asyncio import pandas as pd import logging # 設定日誌格式 logging.basicConfig(level = logging.INFO, format='%(asctime)s - %(levelname)s: %(message)s') logger = logging.getLogger(__name__) df = pd.DataFrame(columns=['name', 'bank', 'currency', 'startDate',\ 'endDate', 'period', 'proType', 'profit', 'amount']) # 非同步HTTP請求 async def fetch(sem, session, url): async with sem: 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'} async with session.get(url, headers=headers) as response: return await response.text() # 解析網頁 async def parser(html): # 利用正則表示式解析網頁 tbody = re.findall(r"<tbody>[\s\S]*?</tbody>", html)[0] trs = re.findall(r"<tr [\s\S]*?</tr>", tbody) for tr in trs: tds = re.findall(r"<td[\s\S]*?</td>", tr) name,bank = re.findall(r'title="(.+?)"', ''.join(tds)) name = name.replace('&', '').replace('quot;', '') currency, startDate, endDate, amount = re.findall(r'<td>(.+?)</td>', ''.join(tds)) period = ''.join(re.findall(r'<td class="td7">(.+?)</td>', tds[5])) proType = ''.join(re.findall(r'<td class="td7">(.+?)</td>', tds[6])) profit = ''.join(re.findall(r'<td class="td8">(.+?)</td>', tds[7])) df.loc[df.shape[0] + 1] = [name, bank, currency, startDate, endDate, \ period, proType, profit, amount] logger.info(str(df.shape[0])+'\t'+name) # 處理網頁 async def download(sem, url): async with aiohttp.ClientSession() as session: try: html = await fetch(sem, session, url) await parser(html) except Exception as err: print(err) # 全部網頁 urls = ["https://www.rong360.com/licai-bank/list/p%d"%i for i in range(1, 8641)] # 統計該爬蟲的消耗時間 print('*' * 50) t3 = time.time() # 利用asyncio模組進行非同步IO處理 loop = asyncio.get_event_loop() sem=asyncio.Semaphore(100) tasks = [asyncio.ensure_future(download(sem, url)) for url in urls] tasks = asyncio.gather(*tasks) loop.run_until_complete(tasks) df.to_csv('E://rong360.csv') t4 = time.time() print('總共耗時:%s' % (t4 - t3)) print('*' * 50)
輸出的結果如下(中間的輸出已省略,以......代替):
************************************************** 2018-10-17 13:33:50,717 - INFO: 10 金百合第245期 2018-10-17 13:33:50,749 - INFO: 20 金荷恆升2018年第26期 ...... 2018-10-17 14:03:34,906 - INFO: 86381 翠竹同益1M22期FGAB15015A 2018-10-17 14:03:35,257 - INFO: 86391 潤鑫月月盈2號 總共耗時:1787.4312353134155 **************************************************
可以看到,在這個爬蟲中,我們爬取了86391條資料,耗時1787.4秒,不到30分鐘。雖然資料比預期的少了3條,但這點損失不算什麼。來看一眼csv檔案中的資料:
OK,離我們的目標還差一步,將這個csv檔案存入至MySQL,具體的操作方法可參考文章:Python之使用Pandas庫實現MySQL資料庫的讀寫:https://www.jianshu.com/p/238a13995b2b 。完整的Python程式碼如下:
# -*- coding: utf-8 -*-
# 匯入必要模組
import pandas as pd
from sqlalchemy import create_engine
# 初始化資料庫連線,使用pymysql模組
engine = create_engine('mysql+pymysql://root:******@localhost:33061/test', echo=True)
print("Read CSV file...")
# 讀取本地CSV檔案
df = pd.read_csv("E://rong360.csv", sep=',', encoding='gb18030')
# 將新建的DataFrame儲存為MySQL中的資料表,不儲存index列
df.to_sql('rong360',
con=engine,
index= False,
index_label='name'
)
print("Write to MySQL successfully!")
輸出結果如下(耗時十幾秒):
Read CSV file...
2018-10-17 15:07:02,447 INFO sqlalchemy.engine.base.Engine SHOW VARIABLES LIKE 'sql_mode'
2018-10-17 15:07:02,447 INFO sqlalchemy.engine.base.Engine {}
2018-10-17 15:07:02,452 INFO sqlalchemy.engine.base.Engine SELECT DATABASE()
2018-10-17 15:07:02,452 INFO sqlalchemy.engine.base.Engine {}
2018-10-17 15:07:02,454 INFO sqlalchemy.engine.base.Engine show collation where `Charset` = 'utf8mb4' and `Collation` = 'utf8mb4_bin'
2018-10-17 15:07:02,454 INFO sqlalchemy.engine.base.Engine {}
2018-10-17 15:07:02,455 INFO sqlalchemy.engine.base.Engine SELECT CAST('test plain returns' AS CHAR(60)) AS anon_1
2018-10-17 15:07:02,456 INFO sqlalchemy.engine.base.Engine {}
2018-10-17 15:07:02,456 INFO sqlalchemy.engine.base.Engine SELECT CAST('test unicode returns' AS CHAR(60)) AS anon_1
2018-10-17 15:07:02,456 INFO sqlalchemy.engine.base.Engine {}
2018-10-17 15:07:02,457 INFO sqlalchemy.engine.base.Engine SELECT CAST('test collated returns' AS CHAR CHARACTER SET utf8mb4) COLLATE utf8mb4_bin AS anon_1
2018-10-17 15:07:02,457 INFO sqlalchemy.engine.base.Engine {}
2018-10-17 15:07:02,458 INFO sqlalchemy.engine.base.Engine DESCRIBE `rong360`
2018-10-17 15:07:02,458 INFO sqlalchemy.engine.base.Engine {}
2018-10-17 15:07:02,459 INFO sqlalchemy.engine.base.Engine ROLLBACK
2018-10-17 15:07:02,462 INFO sqlalchemy.engine.base.Engine
CREATE TABLE rong360 (
`Unnamed: 0` BIGINT,
name TEXT,
bank TEXT,
currency TEXT,
`startDate` TEXT,
`endDate` TEXT,
enduration TEXT,
`proType` TEXT,
profit TEXT,
amount TEXT
)
2018-10-17 15:07:02,462 INFO sqlalchemy.engine.base.Engine {}
2018-10-17 15:07:02,867 INFO sqlalchemy.engine.base.Engine COMMIT
2018-10-17 15:07:02,909 INFO sqlalchemy.engine.base.Engine BEGIN (implicit)
2018-10-17 15:07:03,973 INFO sqlalchemy.engine.base.Engine INSERT INTO rong360 (`Unnamed: 0`, name, bank, currency, `startDate`, `endDate`, enduration, `proType`, profit, amount) VALUES (%(Unnamed: 0)s, %(name)s, %(bank)s, %(currency)s, %(startDate)s, %(endDate)s, %(enduration)s, %(proType)s, %(profit)s, %(amount)s)
2018-10-17 15:07:03,974 INFO sqlalchemy.engine.base.Engine ({'Unnamed: 0': 1, 'name': '龍信20183773', 'bank': '龍江銀行', 'currency': '人民幣', 'startDate': '2018-10-12', 'endDate': '2018-10-14', 'enduration': '99天', 'proType': '不保本', 'profit': '4.8%', 'amount': '5萬'}, {'Unnamed: 0': 2, 'name': '福瀛家NDHLCS20180055B', 'bank': '寧波東海銀行', 'currency': '人民幣', 'startDate': '2018-10-12', 'endDate': '2018-10-17', 'enduration': '179天', 'proType': '保證收益', 'profit': '4.8%', 'amount': '5萬'}, {'Unnamed: 0': 3, 'name': '薪鑫樂2018年第6期', 'bank': '無為農商行', 'currency': '人民幣', 'startDate': '2018-10-12', 'endDate': '2018-10-21', 'enduration': '212天', 'proType': '不保本', 'profit': '4.8%', 'amount': '5萬'}, {'Unnamed: 0': 4, 'name': '安鑫MTLC18165', 'bank': '民泰商行', 'currency': '人民幣', 'startDate': '2018-10-12', 'endDate': '2018-10-15', 'enduration': '49天', 'proType': '不保本', 'profit': '4.75%', 'amount': '5萬'}, {'Unnamed: 0': 5, 'name': '農銀私行·如意ADRY181115A', 'bank': '農業銀行', 'currency': '人民幣', 'startDate': '2018-10-12', 'endDate': '2018-10-16', 'enduration': '90天', 'proType': '不保本', 'profit': '4.75%', 'amount': '100萬'}, {'Unnamed: 0': 6, 'name': '穩健成長(2018)176期', 'bank': '威海市商業銀行', 'currency': '人民幣', 'startDate': '2018-10-12', 'endDate': '2018-10-15', 'enduration': '91天', 'proType': '不保本', 'profit': '4.75%', 'amount': '5萬'}, {'Unnamed: 0': 7, 'name': '季季紅J18071', 'bank': '溫州銀行', 'currency': '人民幣', 'startDate': '2018-10-12', 'endDate': '2018-10-16', 'enduration': '96天', 'proType': '不保本', 'profit': '4.75%', 'amount': '1萬'}, {'Unnamed: 0': 8, 'name': '私人銀行客戶84618042', 'bank': '興業銀行', 'currency': '人民幣', 'startDate': '2018-10-12', 'endDate': '2018-10-17', 'enduration': '99天', 'proType': '不保本', 'profit': '4.75%', 'amount': '50萬'} ... displaying 10 of 86391 total bound parameter sets ... {'Unnamed: 0': 86390, 'name': '潤鑫月月盈3號RX1M003', 'bank': '珠海華潤銀行', 'currency': '人民幣', 'startDate': '2015-06-24', 'endDate': '2015-06-30', 'enduration': '35天', 'proType': '不保本', 'profit': '4.5%', 'amount': '5萬'}, {'Unnamed: 0': 86391, 'name': '潤鑫月月盈2號', 'bank': '珠海華潤銀行', 'currency': '人民幣', 'startDate': '2015-06-17', 'endDate': '2015-06-23', 'enduration': '35天', 'proType': '不保本', 'profit': '4.4%', 'amount': '5萬'})
2018-10-17 15:07:14,106 INFO sqlalchemy.engine.base.Engine COMMIT
Write to MySQL successfully!
如果你還不放心,也許我們可以看一眼MySQL中的資料:
總結
讓我們來比較該爬蟲與使用Scrapy的爬蟲。使用Scrap用的爬蟲爬取了127130條資料,耗時3小時,該爬蟲爬取86391條資料,耗時半小時。如果是同樣的資料量,那麼Scrapy爬取86391條資料耗時約2小時,該爬蟲僅用了Scrapy爬蟲的四分之一的時間就出色地完成了任務。
最後,讓我們看看前十名的銀行及理財產品數量(按理財產品數量從高到低排列),輸入以下MySQL命令:
use test;
SELECT bank, count(*) as product_num
FROM rong360
GROUP BY bank
ORDER BY product_num DESC
LIMIT 10;
輸出結果如下: