1. 程式人生 > >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:

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~~