2. 程式人生 > >Python爬蟲的N種姿勢

Python爬蟲的N種姿勢

阿新 • • 發佈：2018-12-15

問題的由來

  我們的需求為爬取紅色框框內的名人（有500條記錄，圖片只展示了一部分）的 名字以及其介紹，關於其介紹，點選該名人的名字即可，如下圖：

name和description

這就意味著我們需要爬取500個這樣的頁面，即500個HTTP請求（暫且這麼認為吧），然後需要提取這些網頁中的名字和描述，當然有些不是名人，也沒有描述，我們可以跳過。最後，這些網頁的網址在第一頁中的名人後面可以找到，如George Washington的網頁字尾為Q23.   爬蟲的需求大概就是這樣。

爬蟲的N中姿勢

  首先，分析來爬蟲的思路：先在第一個網頁（https://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0

）中得到500個名人所在的網址，接下來就爬取這500個網頁中的名人的名字及描述，如無描述，則跳過。   接下來，我們將介紹實現這個爬蟲的4種方法，並分析它們各自的優缺點，希望能讓讀者對爬蟲有更多的體會。實現爬蟲的方法為：

  • 一般方法（同步，requests+BeautifulSoup）
  • 併發（使用concurrent.futures模組以及requests+BeautifulSoup）
  • 非同步（使用aiohttp+asyncio+requests+BeautifulSoup）
  • 使用框架Scrapy

一般方法

  一般方法即為同步方法，主要使用requests+BeautifulSoup，按順序執行。完整的Python程式碼如下：

import requests
from bs4 import BeautifulSoup
import time

# 開始時間
t1 = time.time()
print('#' * 50)

url = "http://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0"
# 請求頭部
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'}
# 傳送HTTP請求
req = requests.get(url, headers=headers)
# 解析網頁
soup = BeautifulSoup(req.text, "lxml")
# 找到name和Description所在的記錄
human_list = soup.find(id='mw-whatlinkshere-list')('li')

urls = []
# 獲取網址
for human in human_list:
    url = human.find('a')['href']
    urls.append('https://www.wikidata.org'+url)

# 獲取每個網頁的name和description
def parser(url):
    req = requests.get(url)
    # 利用BeautifulSoup將獲取到的文字解析成HTML
    soup = BeautifulSoup(req.text, "lxml")
    # 獲取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() # 結束時間
print('一般方法，總共耗時：%s' % (t2 - t1))
print('#' * 50)

輸出的結果如下(省略中間的輸出，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，總共耗時：724.9654655456543
##################################################

使用同步方法，總耗時約725秒，即12分鐘多。   一般方法雖然思路簡單，容易實現，但效率不高，耗時長。那麼，使用併發試試看。

併發方法

  併發方法使用多執行緒來加速一般方法，我們使用的併發模組為concurrent.futures模組，設定多執行緒的個數為20個（實際不一定能達到，視計算機而定）。完整的Python程式碼如下：

import requests
from bs4 import BeautifulSoup
import time
from concurrent.futures import ThreadPoolExecutor, wait, ALL_COMPLETED

# 開始時間
t1 = time.time()
print('#' * 50)

url = "http://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0"
# 請求頭部
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'}
# 傳送HTTP請求
req = requests.get(url, headers=headers)
# 解析網頁
soup = BeautifulSoup(req.text, "lxml")
# 找到name和Description所在的記錄
human_list = soup.find(id='mw-whatlinkshere-list')('li')

urls = []
# 獲取網址
for human in human_list:
    url = human.find('a')['href']
    urls.append('https://www.wikidata.org'+url)

# 獲取每個網頁的name和description
def parser(url):
    req = requests.get(url)
    # 利用BeautifulSoup將獲取到的文字解析成HTML
    soup = BeautifulSoup(req.text, "lxml")
    # 獲取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))

# 利用併發加速爬取
executor = ThreadPoolExecutor(max_workers=20)
# submit()的引數： 第一個為函式， 之後為該函式的傳入引數，允許有多個
future_tasks = [executor.submit(parser, url) for url in urls]
# 等待所有的執行緒完成，才進入後續的執行
wait(future_tasks, return_when=ALL_COMPLETED)

t2 = time.time() # 結束時間
print('併發方法，總共耗時：%s' % (t2 - t1))
print('#' * 50)

輸出的結果如下（省略中間的輸出，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
併發方法，總共耗時：226.7499692440033
##################################################

使用多執行緒併發後的爬蟲執行時間約為227秒，大概是一般方法的三分之一的時間，速度有了明顯的提升啊！多執行緒在速度上有明顯提升，但執行的網頁順序是無序的，線上程的切換上開銷也比較大，執行緒越多，開銷越大。   關於多執行緒與一般方法在速度上的比較，可以參考文章：Python爬蟲之多執行緒下載豆瓣Top250電影圖片。

非同步方法

  非同步方法在爬蟲中是有效的速度提升手段，使用aiohttp可以非同步地處理HTTP請求，使用asyncio可以實現非同步IO，需要注意的是，aiohttp只支援3.5.3以後的Python版本。使用非同步方法實現該爬蟲的完整Python程式碼如下：

import requests
from bs4 import BeautifulSoup
import time
import aiohttp
import asyncio

# 開始時間
t1 = time.time()
print('#' * 50)

url = "http://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0"
# 請求頭部
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'}
# 傳送HTTP請求
req = requests.get(url, headers=headers)
# 解析網頁
soup = BeautifulSoup(req.text, "lxml")
# 找到name和Description所在的記錄
human_list = soup.find(id='mw-whatlinkshere-list')('li')

urls = []
# 獲取網址
for human in human_list:
    url = human.find('a')['href']
    urls.append('https://www.wikidata.org'+url)

# 非同步HTTP請求
async def fetch(session, url):
    async with session.get(url) as response:
        return await response.text()
        
# 解析網頁
async def parser(html):
    # 利用BeautifulSoup將獲取到的文字解析成HTML
    soup = BeautifulSoup(html, "lxml")
    # 獲取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))

# 處理網頁，獲取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模組進行非同步IO處理
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() # 結束時間
print('使用非同步，總共耗時：%s' % (t2 - t1))
print('#' * 50)

輸出結果如下（省略中間的輸出，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
使用非同步，總共耗時：126.9002583026886
##################################################

顯然，非同步方法使用了非同步和併發兩種提速方法，自然在速度有明顯提升，大約為一般方法的六分之一。非同步方法雖然效率高，但需要掌握非同步程式設計，這需要學習一段時間。   關於非同步方法與一般方法在速度上的比較，可以參考文章：利用aiohttp實現非同步爬蟲。   如果有人覺得127秒的爬蟲速度還是慢，可以嘗試一下非同步程式碼（與之前的非同步程式碼的區別在於：僅僅使用了正則表示式代替BeautifulSoup來解析網頁，以提取網頁中的內容）：

import requests
from bs4 import BeautifulSoup
import time
import aiohttp
import asyncio
import re

# 開始時間
t1 = time.time()
print('#' * 50)

url = "http://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0"
# 請求頭部
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'}
# 傳送HTTP請求
req = requests.get(url, headers=headers)
# 解析網頁
soup = BeautifulSoup(req.text, "lxml")
# 找到name和Description所在的記錄
human_list = soup.find(id='mw-whatlinkshere-list')('li')

urls = []
# 獲取網址
for human in human_list:
    url = human.find('a')['href']
    urls.append('https://www.wikidata.org' + url)

# 非同步HTTP請求
async def fetch(session, url):
    async with session.get(url) 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
    try:
        name = re.findall(r'<span class="wikibase-title-label">(.+?)</span>', html)[0]
        desc = re.findall(r'<span class="wikibase-descriptionview-text">(.+?)</span>', html)[0]
        print('%-40s,\t%s' % (name, desc))
    except Exception as err:
        pass

# 處理網頁，獲取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模組進行非同步IO處理
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()  # 結束時間
print('使用非同步（正則表示式），總共耗時：%s' % (t2 - t1))
print('#' * 50)

輸出的結果如下（省略中間的輸出，以......代替)：

##################################################
Dejen Gebremeskel                       ,   Ethiopian long-distance runner
Erik Kynard                             ,   American high jumper
......
Buzz Aldrin                             ,   American astronaut
Egon Krenz                              ,   former General Secretary of the Socialist Unity Party of East Germany
使用非同步（正則表示式），總共耗時：16.521944999694824
##################################################

16.5秒，僅僅為一般方法的43分之一，速度如此之快，令人咋舌（感謝某人提供的嘗試）。筆者雖然自己實現了非同步方法，但用的是BeautifulSoup來解析網頁，耗時127秒，沒想到使用正則表示式就取得了如此驚人的效果。可見，BeautifulSoup解析網頁雖然快，但在非同步方法中，還是限制了速度。但這種方法的缺點為，當你需要爬取的內容比較複雜時，一般的正則表示式就難以勝任了，需要另想辦法。

爬蟲框架Scrapy

  最後，我們使用著名的Python爬蟲框架Scrapy來解決這個爬蟲。我們建立的爬蟲專案為wikiDataScrapy，專案結構如下：

wikiDataScrapy專案

在settings.py中設定“ROBOTSTXT_OBEY = False”. 修改items.py，程式碼如下：

# -*- coding: utf-8 -*-

import scrapy

class WikidatascrapyItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    desc = scrapy.Field()

然後，在spiders資料夾下新建wikiSpider.py，程式碼如下:

import scrapy.cmdline
from wikiDataScrapy.items import WikidatascrapyItem
import requests
from bs4 import BeautifulSoup

# 獲取請求的500個網址，用requests+BeautifulSoup搞定
def get_urls():
    url = "http://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0"
    # 請求頭部
    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'}
    # 傳送HTTP請求
    req = requests.get(url, headers=headers)
    # 解析網頁
    soup = BeautifulSoup(req.text, "lxml")
    # 找到name和Description所在的記錄
    human_list = soup.find(id='mw-whatlinkshere-list')('li')

    urls = []
    # 獲取網址
    for human in human_list:
        url = human.find('a')['href']
        urls.append('https://www.wikidata.org' + url)

    # print(urls)
    return urls

# 使用scrapy框架爬取
class bookSpider(scrapy.Spider):
    name = 'wikiScrapy'  # 爬蟲名稱
    start_urls = get_urls()  # 需要爬取的500個網址

    def parse(self, response):
        item = WikidatascrapyItem()
        # name and description
        item['name'] = response.css('span.wikibase-title-label').xpath('text()').extract_first()
        item['desc'] = response.css('span.wikibase-descriptionview-text').xpath('text()').extract_first()

        yield item

# 執行該爬蟲，並轉化為csv檔案
scrapy.cmdline.execute(['scrapy', 'crawl', 'wikiScrapy', '-o', 'wiki.csv', '-t', 'csv'])

輸出結果如下（只包含最後的Scrapy資訊總結部分）：

{'downloader/request_bytes': 166187,
 'downloader/request_count': 500,
 'downloader/request_method_count/GET': 500,
 'downloader/response_bytes': 18988798,
 'downloader/response_count': 500,
 'downloader/response_status_count/200': 500,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2018, 10, 16, 9, 49, 15, 761487),
 'item_scraped_count': 500,
 'log_count/DEBUG': 1001,
 'log_count/INFO': 8,
 'response_received_count': 500,
 'scheduler/dequeued': 500,
 'scheduler/dequeued/memory': 500,
 'scheduler/enqueued': 500,
 'scheduler/enqueued/memory': 500,
 'start_time': datetime.datetime(2018, 10, 16, 9, 48, 44, 58673)}

可以看到，已成功爬取500個網頁，耗時31秒，速度也相當OK。再來看一下生成的wiki.csv檔案，它包含了所有的輸出的name和description，如下圖：

輸出的CSV檔案（部分）

  Scrapy來製作爬蟲的優勢在於它是一個成熟的爬蟲框架，支援非同步，併發，容錯性較好（比如本程式碼中就沒有處理找不到name和description的情形），但如果需要頻繁地修改中介軟體，則還是自己寫個爬蟲比較好，而且它在速度上沒有超過我們自己寫的非同步爬蟲，至於能自動匯出CSV檔案這個功能，還是相當實在的。

總結

  本文內容較多，比較了4種爬蟲方法，每種方法都有自己的利弊，已在之前的陳述中給出，當然，在實際的問題中，並不是用的工具或方法越高階就越好，具體問題具體分析嘛~   本文到此結束，感謝閱讀哦~

注意：本人現已開通微信公眾號： Python爬蟲與演算法（微訊號為：easy_web_scrape）， 歡迎大家關注哦~~

相關推薦

【轉】爬蟲的一般方法、非同步、併發與框架scrapy的效率比較 Python爬蟲的N種姿勢

該文非原創文字，文字轉載至  jclian91  連結：https://www.cnblogs.com/jclian91/p/9799697.html Python爬蟲的N種姿勢

Python爬蟲的N種姿勢

問題的由來   我們的需求為爬取紅色框框內的名人（有500條記錄，圖片只展示了一部分）的 名字以及其介紹，關於其介紹，點選該名人的名字即可，如下圖： 這就意味著我們需要爬取500個這樣的頁面，即500個HTTP請求（暫且這麼認為吧），然後需要提取這些網頁中的名字和描述，當然有些不是名人，也沒有描述，我們

Spark性能調優之道——解決Spark數據傾斜（Data Skew）的N種姿勢

sca ace 便是 triplet 大小 spark 構建 由於 itl 原文：http://blog.csdn.net/tanglizhe1105/article/details/51050974 背景 很多使用Spark的朋友很想知道rdd

Spark性能優化之道——解決Spark數據傾斜（Data Skew）的N種姿勢

至少 array 效率提升 default executors 並行處理 foreach shp 來源 原創文章，轉載請務必將下面這段話置於文章開頭處。本文轉發自技術世界，原文鏈接　http://www.jasongj.com/spark/skew/ 摘要 本文結合

爬蟲驗證碼解決思路 Python爬蟲四種驗證碼的解決思路

參考崔慶才python網路爬蟲開發實戰 Python爬蟲四種驗證碼的解決思路 2018年06月07日 10:17:13 小卒曹阿瞞 閱讀數：5584

Redisson實現Redis分散式鎖的N種姿勢

前幾天發的一篇文章《Redlock：Redis分散式鎖最牛逼的實現》，引起了一些同學的討論，也有一些同學提出了一些疑問，這是好事兒。本文在講解如何使用Redisson實現Redis普通分散式鎖，以及Redlock演算法分散式鎖的幾種方式的同時，也附帶解答這些同學的一些疑問。 Redis幾種架構 Redis

Python爬蟲四種驗證碼的解決思路

1.輸入式驗證碼 這種驗證碼主要是通過使用者輸入圖片中的字母、數字、漢字等進行驗證。如下圖   圖1                           圖2   解決思路：這種是最簡單的一種，只要識別出裡面的內容，然後填入到輸入框中即可。這種識別技術叫OCR，這裡我們

DLL 注入技術的 N 種姿勢

  DLL 注入技術的 N 種姿勢 本文中我將介紹DLL注入的相關知識。不算太糟的是，DLL注入技術可以被正常軟體用來新增/擴充套件其他程式，除錯或逆向工程的功能性；該技術也常被惡意軟體以多種方式利用。這意味著從安全形度來說，瞭解DLL注入的工作原理是十分必要的。 &nb

SSH內網穿透的N種姿勢

1. 引言 作為一名開發者，我們生活中常遇到公司做不完的工作需要在家接著做，但是，公司的伺服器有統一管理，多為內網ip，在家不能直接訪問到公司伺服器，如果解決這個問題呢？本文就以下兩種情景給出SSH內網穿透的解決方案。 2. 情景一：內網有一臺主機有公網ip

Spark效能優化之道——解決Spark資料傾斜（Data Skew）的N種姿勢

摘要 本文結合例項詳細闡明瞭Spark資料傾斜的幾種場景以及對應的解決方案，包括避免資料來源傾斜，調整並行度，使用自定義Partitioner，使用Map側Join代替Reduce側Join，給傾斜Key加上隨機字首等。 為何要處理資料傾斜（Da

Spark效能調優之道——解決Spark資料傾斜（Data Skew）的N種姿勢

為何要處理資料傾斜（Data Skew） 什麼是資料傾斜 對Spark/Hadoop這樣的大資料系統來講，資料量大並不可怕，可怕的是資料傾斜。 何謂資料傾斜？資料傾斜指的是，並行處理的資料集中，某一部分（如Spark或Kafka的一個Partition）的資料顯著多於其它

Redisson實現Redis分布式鎖的N種姿勢（轉）

something 算法 amp aca bec 介紹 ica color 命令 Redis幾種架構 Redis發展到現在，幾種常見的部署架構有： 單機模式； 主從模式； 哨兵模式； 集群模式； 我們首先基於這些架構講解Redisson普通分布式鎖實

Python分散式爬蟲前菜(1):關於靜態動態網頁內容獲取的N種方法

爬蟲是我們快速獲取需要的資料的一個非常有效的途徑，而爬蟲的第一步便是能夠請求遠方伺服器為我們返回所需的網頁資訊。我們知道，正常情況下在瀏覽器上我們只要輸入正確的統一資源定位器url，即網頁地址便可輕鬆開啟我們想要看到頁面。同理，在設計python爬蟲程式時，我們也可以呼叫對

python爬蟲——對爬到的數據進行清洗的一些姿勢（5）

weibo 英雄 mina ret term creators 刪除 動畫 任務 　　做爬蟲，當然就要用數據。想拿數據進行分析，首先清洗數據。這個清洗數據包括清除無用數據列和維度，刪除相同數據，對數據進行勘誤之類的。 　　從各大不同新聞網站可以爬到重復新聞。。。這個可以有。

python爬蟲--解析網頁幾種方法之正則表達式

ima 3.5 ref string tex href quest user lin 1、正則表達式 正則表達式是一個特殊的字符序列，它能幫助你方便的檢查一個字符串是否與某種模式匹配。 re 模塊使 Python 語言擁有全部的正則表達式功能。 re.match函數 re.

python爬蟲--解析網頁幾種方法之BeautifulSoup

first div xml html find 抓取 XML 格式 速度慢 析取 一.解析器概述 soup=BeautifulSoup(response.body) 對網頁進行析取時，並未規定解析器，此時使用的是python內部默認的解析器“html.parser”

python爬蟲和網絡營銷等場景下更換本地IP地址的幾種辦法

log 批量操作 lan 去百度 body 小說 賬號 常用 註冊 想必大家在使用python爬蟲和在網絡營銷中註冊多個賬號等操作時，都遇到過IP限制的問題。這個IP不是小說動漫娛樂電影等IP，而是計算機的IP。道高一尺，魔高一丈。系統再怎麽牛也是程序員哥哥敲出來的。之前牛

Python爬蟲系列：判斷目標網頁編碼的幾種方法

qpi data- tps 分享 運行 ofo html nbsp 來看 在爬取網頁內容時，了解目標網站所用編碼是非常重要的，本文介紹幾種常用的方法，並使用幾個網站進行簡單測試。 代碼運行結果： 從不同國家的幾個網站測試結果來看，utf8使用的較多（對於純英文網站，用什

口訣的N種python實現

圖片 技術 ado fff 51cto text col images ima 口訣的N種python實現

Python爬蟲處理JS翻頁的一種方法，利用Ajax非同步請求

前端方面知識不是很好，只是想解決有關Python爬蟲翻頁的問題 =。=  如有不對，還望指正 瀏覽器：Google 利用區域性更新這種翻頁的方式，同樣需要進行一個url請求，因此我們的目的就是找到這個url 1.分析 如圖所示，頁面翻頁採用了JS的方法 &nb