資料探勘_多執行緒抓取
在這一篇文章中,我們主要來介紹多執行緒抓取資料。
多執行緒是以併發的方式執行的,在這裡要注意,Python的多執行緒程式只能執行在一個單核上以併發的方式執行,即便是多核的機器,所以說,使用多執行緒抓取可以極大地提高抓取效率
下面我們以requests為例介紹多執行緒抓取,然後在通過與單執行緒程式比較,體會多執行緒的效率的提高
這一次,我就不用我的網站做測試了,因為網站的內容此時還並不是太多,不能體現多執行緒的優勢
我們通過當當網來測試我們的多執行緒例項,通過對搜尋結果的同一抓取實現功能的演示,搜尋模式地址如下
http://search.dangdang.com/?key=Python&act=input&page_index=1
可以看到key代表的是搜尋關鍵字,act代表你是通過什麼方式搜尋的,page_index代表的是搜尋頁面的頁碼
在抓取到上面的頁碼後,要對裡面的資訊進行提取,最後將提取的資訊儲存在文字檔案中,檔案中儲存每一本書的書名,以及他的連結
下面我們定義抓取實驗所需要的方法(或函式)
# coding=utf-8 __Author__ = "susmote" import requests from bs4 import BeautifulSoup def format_str(s): return s.replace("\n", "").replace(" ", "").replace("\t", "") def get_urls_in_pages(from_page_num, to_page_num): urls = [] search_word = "python" url_part_1 = "http://search.dangdang.com/?key=" url_part_2 = "&act=input" url_part_3 = "&page_index=" for i in range(from_page_num, to_page_num + 1): urls.append(url_part_1 + search_word + url_part_2 + url_part_3 + str(i)) all_href_list = [] for url in urls: print(url) resp = requests.get(url) bs = BeautifulSoup(resp.text, "lxml") a_list = bs.find_all("a") needed_list = [] for a in a_list: if 'name' in a.attrs: name_val = a['name'] href_val = a['href'] title = a.text if 'itemlist-title' in name_val and title != "": if [title, href_val] not in needed_list: needed_list.append([format_str(title), format_str(href_val)]) all_href_list += needed_list all_href_file = open(str(from_page_num) + '_' + str(to_page_num) + '_' + 'all_hrefs.txt', 'w') for href in all_href_list: all_href_file.write('\t'.join(href) + '\n') all_href_file.close() print(from_page_num, to_page_num, len(all_href_list))
下面我們來解釋一下這些程式碼
首先,format_str是用來在提取資訊後去掉多餘的空白
而get_url_in_pages方法是執行功能的主體,這個方法接收的引數是指頁碼的範圍,函式體中,urls主要用來存放基於兩個引數所生成的所有要抓取的頁面的連結,我把url分為3個部分,也是為了方便之後對連結的組合,然後的for迴圈就是做的是拼接的工作,這裡我不多做解釋了,如果不懂,請留言
下一步,我們定義了一個列表all_href_list ,這個列表是用來儲存每頁中包含圖書資訊的,實際上它又是一個巢狀的列表,裡面的元素是[書名, 連結],他的形式如下所示
all_href_list = [ ['書名1', "連結1"], ['書名2', "連結2"], ['書名3', "連結3"], ...... ]
後面的程式碼就是對滅一頁進行抓取和提取資訊了,這部分的程式碼都在for url in urls這個迴圈體中,首先列印連結,然後呼叫requs的get方法,獲取頁面,之後又使用BeautifulSoup將get請求放回的HTML文字進行分析,轉為BeautifulSoup能夠處理的結構,命名為bs
之後我們定義的needed_list是用來存放書名和連結的,bs.find_all('a')抽取了頁面中所有的連結元素,for a in a_list 對每一個列表中的元素進行遍歷分析,在這之前,我們通過瀏覽器發現了他的結構
每個書籍元素中都會有一個屬性name,值為"itemlist_title",通過這個我們很容易的就篩選出了書籍元素,然後將書籍資訊,以及連結元素href一同存入列表,在存之前,我們還做了一些判斷,是否已經存在這個連結了,和這個元素的連結為空
每抽取完一個頁面的連結後,就可以把它加入到all_href_list中,也就是下面這行程式碼
all_href_list += needed_list
注意我在這裡使用的是 += 運算子
獲取到範圍內所有的連結元素後,就可以寫入檔案了,在這裡我不做過多解釋了
然後我們下一步就是定義多執行緒了,因為我們搜尋關鍵詞總的頁數是32頁
所以我們在這裡準備用3個執行緒來完成這些任務,也就是每個執行緒處理10個頁面,在單執行緒的情況下,這30頁用一個執行緒單獨完成
下面我們給出抓取方案的程式碼
# coding=utf-8
__Author__ = "susmote"
import time
import threading
from mining_func import get_urls_in_pages
def multiple_threads_test():
start_time = time.time()
page_range_list = [
(1, 10),
(11, 20),
(21, 32),
]
th_list = []
for page_range in page_range_list:
th = threading.Thread(target = get_urls_in_pages, args = (page_range[0], page_range[1]))
th_list.append(th)
for th in th_list:
th.start()
for th in th_list:
th.join()
end_time = time.time()
print("共使用時間1:", end_time - start_time)
return end_time - start_time
簡單解釋一下,為了獲取執行的時間,我們定義了一個開始時間start_time 和 一個結束時間end_time,執行時間也就是結束時間減去開始時間
然後定義的一個列表page_range_list也就是把頁碼分為三段,前面有提到過
之後又定義了一個列表th_list也就是儲存所有執行緒物件的列表,之後通過一個迴圈,生成了3個執行緒物件,分別對應著不同的頁碼範圍,把他們存入列表
然後在後面的迴圈中,分別執行th.start(),開啟執行緒,在後面,我們為了使這些非同步併發執行的執行緒都執行完畢後再退出函式,這裡使用了執行緒的join方法,等待各執行緒執行完畢
下面就是最激動人心的時候了,對程式碼進行測試
在這裡,我們寫下如下程式碼
# coding=utf-8
__Author__ = "susmote"
from mining_threading import multiple_threads_test
if __name__ == "__main__":
mt = multiple_threads_test()
print('mt', mt)
為了使測試結果更加精確,我們進行三次實驗,取平均時間
第一次實驗
使用時間6.651
第二次實驗
使用時間6.876
第三次實驗
使用時間6.960
平均時間如下
6.829
下面是單程序程式碼
# coding=utf-8
__Author__ = "susmote"
import time
from mining_func import get_urls_in_pages
def sigle_test():
start_time = time.time()
get_urls_in_pages(1, 32)
end_time = time.time()
print("共使用時間 : ", end_time - start_time)
return end_time - start_time
呼叫函式如下
# coding=utf-8
__Author__ = "susmote"
from single_mining import single_test
if __name__ == "__main__":
st = single_test()
print('st ', st)
在命令列下執行
第一次
10.138
第二次
10.290
第三次
10.087
平均花費時間
10.171
所以說,多執行緒的確能夠提高抓取的效率,注意,這是在資料比較少的情況進行的,如果資料量比較大的話,多執行緒的優勢就很明顯了
你可以自己去更改搜尋關鍵詞,和頁碼,或是重新找一個網頁(抓取跟網速也有很大的關係)
附幾張抓取資料的圖