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,需要爬取的网页如下(网址为:https://www.wikidata.org/w/index.php?title=special:whatlinkshere/q5&limit=500&from=0):
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:
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:
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:
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~~