本文共 11372 字,大约阅读时间需要 37 分钟。
前言
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。
PS:如有需要Python学习资料的小伙伴可以加点击下方链接自行获取
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 requestsfrom bs4 import BeautifulSoupimport time#python学习群:695185429# 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descriptiondef 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 StatesDouglas Adams , British author and humorist (1952–2001)......Willoughby Newton , Politician from Virginia, USAMack 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 requestsfrom bs4 import BeautifulSoupimport timefrom 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descriptiondef 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 projectsKen Jennings , American game show contestant and writer......Antoine de Saint-Exupery , French writer and aviatorMichael 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 requestsfrom bs4 import BeautifulSoupimport timeimport aiohttpimport 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descriptionasync 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 hostGabriel Gonzáles Videla , Chilean politician......Denmark , sovereign state and Scandinavian country in northern EuropeUsain 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 requestsfrom bs4 import BeautifulSoupimport timeimport aiohttpimport asyncioimport 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'(.+?)', 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descriptionasync 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 runnerErik Kynard , American high jumper......Buzz Aldrin , American astronautEgon 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
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 scrapyclass 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.cmdlinefrom wikiDataScrapy.items import WikidatascrapyItemimport requestsfrom 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。
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~
转载地址:http://ggjmf.baihongyu.com/