欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python爬虫的N种姿势

程序员文章站 2022-03-26 09:33:50
该文非原创文字,文字转载至 jclian91 链接:https://www.cnblogs.com/jclian91/p/9799697.html Python爬虫的N种姿势 问题的由来 前几天,在微信公众号(Python爬虫及算法)上有个人问了笔者一个问题,如何利用爬虫来实现如下的需求,需要爬取的 ......

问题的由来

  前几天,在微信公众号(python爬虫及算法)上有个人问了笔者一个问题,如何利用爬虫来实现如下的需求,需要爬取的网页如下(网址为:https://www.wikidata.org/w/index.php?title=special:whatlinkshere/q5&limit=500&from=0):

Python爬虫的N种姿势

  我们的需求为爬取红色框框内的名人(有500条记录,图片只展示了一部分)的 名字以及其介绍,关于其介绍,点击该名人的名字即可,如下图:

Python爬虫的N种姿势

这就意味着我们需要爬取500个这样的页面,即500个http请求(暂且这么认为吧),然后需要提取这些网页中的名字和描述,当然有些不是名人,也没有描述,我们可以跳过。最后,这些网页的网址在第一页中的名人后面可以找到,如george washington的网页后缀为q23.
  爬虫的需求大概就是这样。

爬虫的n中姿势

  首先,分析来爬虫的思路:先在第一个网页(https://www.wikidata.org/w/index.php?title=special:whatlinkshere/q5&limit=500&from=0)中得到500个名人所在的网址,接下来就爬取这500个网页中的名人的名字及描述,如无描述,则跳过。
  接下来,我们将介绍实现这个爬虫的4种方法,并分析它们各自的优缺点,希望能让读者对爬虫有更多的体会。实现爬虫的方法为:

  • 一般方法(同步,requests+beautifulsoup)
  • 并发(使用concurrent.futures模块以及requests+beautifulsoup)
  • 异步(使用aiohttp+asyncio+requests+beautifulsoup)
  • 使用框架scrapy

一般方法

  一般方法即为同步方法,主要使用requests+beautifulsoup,按顺序执行。完整的python代码如下:

import requests
from bs4 import beautifulsoup
import time

# 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))

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

  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。
  关于多线程与一般方法在速度上的比较,可以参考文章:python爬虫之多线程下载豆瓣top250电影图片

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 = 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。
  关于异步方法与一般方法在速度上的比较,可以参考文章:。
  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'<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

# 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
erik kynard                             ,   american high jumper
......
buzz aldrin                             ,   american astronaut
egon krenz                              ,   former general secretary of the socialist unity party of east germany
使用异步(正则表达式),总共耗时:16.521944999694824
##################################################

16.5秒,仅仅为一般方法的43分之一,速度如此之快,令人咋舌(感谢某人提供的尝试)。笔者虽然自己实现了异步方法,但用的是beautifulsoup来解析网页,耗时127秒,没想到使用正则表达式就取得了如此惊人的效果。可见,beautifulsoup解析网页虽然快,但在异步方法中,还是限制了速度。但这种方法的缺点为,当你需要爬取的内容比较复杂时,一般的正则表达式就难以胜任了,需要另想办法。

爬虫框架scrapy

  最后,我们使用著名的python爬虫框架scrapy来解决这个爬虫。我们创建的爬虫项目为wikidatascrapy,项目结构如下:

Python爬虫的N种姿势

在settings.py中设置“robotstxt_obey = false”. 修改items.py,代码如下:

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

import scrapy

class wikidatascrapyitem(scrapy.item):
    # define the fields for your item here like:
    name = scrapy.field()
    desc = scrapy.field()

然后,在spiders文件夹下新建wikispider.py,代码如下:

import scrapy.cmdline
from wikidatascrapy.items import wikidatascrapyitem
import requests
from bs4 import beautifulsoup

# 获取请求的500个网址,用requests+beautifulsoup搞定
def get_urls():
    url = "http://www.wikidata.org/w/index.php?title=special:whatlinkshere/q5&limit=500&from=0"
    # 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)

    # print(urls)
    return urls

# 使用scrapy框架爬取
class bookspider(scrapy.spider):
    name = 'wikiscrapy'  # 爬虫名称
    start_urls = get_urls()  # 需要爬取的500个网址

    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

# 执行该爬虫,并转化为csv文件
scrapy.cmdline.execute(['scrapy', 'crawl', 'wikiscrapy', '-o', 'wiki.csv', '-t', 'csv'])

输出结果如下(只包含最后的scrapy信息总结部分):

{'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个网页,耗时31秒,速度也相当ok。再来看一下生成的wiki.csv文件,它包含了所有的输出的name和description,如下图:

Python爬虫的N种姿势

可以看到,输出的csv文件的列并不是有序的。至于如何解决scrapy输出的csv文件有换行的问题,请参考*上的回答: 。

  scrapy来制作爬虫的优势在于它是一个成熟的爬虫框架,支持异步,并发,容错性较好(比如本代码中就没有处理找不到name和description的情形),但如果需要频繁地修改中间件,则还是自己写个爬虫比较好,而且它在速度上没有超过我们自己写的异步爬虫,至于能自动导出csv文件这个功能,还是相当实在的。

总结

  本文内容较多,比较了4种爬虫方法,每种方法都有自己的利弊,已在之前的陈述中给出,当然,在实际的问题中,并不是用的工具或方法越高级就越好,具体问题具体分析嘛~
  本文到此结束,感谢阅读哦~

 

注意:本人现已开通微信公众号: python爬虫与算法(微信号为:easy_web_scrape), 欢迎大家关注哦~~