Python爬虫的N种姿势

发布日期:2019-06-23

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 requestsfrom bs4 import BeautifulSoupimport 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%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

  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%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。  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 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%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。  关于异步方法与一般方法在速度上的比较,可以参考文章:利用aiohttp实现异步爬虫。  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"<span >(.+?)</span>" html)[0] desc = re.findall(r"<span >(.+?)</span>" html)[0] print("%-40s%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(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 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,请参考stackoverflow上的回答:https://stackoverflow.com/questions/39477662/scrapy-csv-file-has-uniform-empty-rows/43394566#43394566 。

  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~~