Python爬蟲的N種姿式

時間 2019-11-18

標籤 python 爬蟲欄目 Python 简体版

原文原文鏈接

問題的由來

前幾天，在微信公衆號（Python爬蟲及算法）上有我的問了筆者一個問題，如何利用爬蟲來實現以下的需求，須要爬取的網頁以下（網址爲：https://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0）：php

咱們的需求爲爬取紅色框框內的名人（有500條記錄，圖片只展現了一部分）的名字以及其介紹，關於其介紹，點擊該名人的名字便可，以下圖：css

這就意味着咱們須要爬取500個這樣的頁面，即500個HTTP請求（暫且這麼認爲吧），而後須要提取這些網頁中的名字和描述，固然有些不是名人，也沒有描述，咱們能夠跳過。最後，這些網頁的網址在第一頁中的名人後面能夠找到，如George Washington的網頁後綴爲Q23.
爬蟲的需求大概就是這樣。html

爬蟲的N中姿式

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）中獲得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，咱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，但願能讓讀者對爬蟲有更多的體會。實現爬蟲的方法爲：python

通常方法（同步，requests+BeautifulSoup）
併發（使用concurrent.futures模塊以及requests+BeautifulSoup）
異步（使用aiohttp+asyncio+requests+BeautifulSoup）
使用框架Scrapy

通常方法

通常方法即爲同步方法，主要使用requests+BeautifulSoup，按順序執行。完整的Python代碼以下：web

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'}
# 發送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)

# 獲取每一個網頁的name和description
def parser(url):
    req = requests.get(url)
    # 利用BeautifulSoup將獲取到的文本解析成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('通常方法，總共耗時：%s' % (t2 - t1))
print('#' * 50)

輸出的結果以下(省略中間的輸出，以......代替)：正則表達式

##################################################
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
通常方法，總共耗時：724.9654655456543
##################################################

使用同步方法，總耗時約725秒，即12分鐘多。
通常方法雖然思路簡單，容易實現，但效率不高，耗時長。那麼，使用併發試試看。算法

併發方法

併發方法使用多線程來加速通常方法，咱們使用的併發模塊爲concurrent.futures模塊，設置多線程的個數爲20個（實際不必定能達到，視計算機而定）。完整的Python代碼以下：編程

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'}
# 發送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)

# 獲取每一個網頁的name和description
def parser(url):
    req = requests.get(url)
    # 利用BeautifulSoup將獲取到的文本解析成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()的參數： 第一個爲函數， 以後爲該函數的傳入參數，容許有多個
future_tasks = [executor.submit(parser, url) for url in urls]
# 等待全部的線程完成，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)

輸出的結果以下（省略中間的輸出，以......代替)：segmentfault

##################################################
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
##################################################

使用多線程併發後的爬蟲執行時間約爲227秒，大概是通常方法的三分之一的時間，速度有了明顯的提高啊！多線程在速度上有明顯提高，但執行的網頁順序是無序的，在線程的切換上開銷也比較大，線程越多，開銷越大。
關於多線程與通常方法在速度上的比較，能夠參考文章：Python爬蟲之多線程下載豆瓣Top250電影圖片。微信

異步方法

異步方法在爬蟲中是有效的速度提高手段，使用aiohttp能夠異步地處理HTTP請求，使用asyncio能夠實現異步IO，須要注意的是，aiohttp只支持3.5.3之後的Python版本。使用異步方法實現該爬蟲的完整Python代碼以下：

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'}
# 發送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)

# 異步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將獲取到的文本解析成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模塊進行異步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('使用異步，總共耗時：%s' % (t2 - t1))
print('#' * 50)

輸出結果以下（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
使用異步，總共耗時：126.9002583026886
##################################################

顯然，異步方法使用了異步和併發兩種提速方法，天然在速度有明顯提高，大約爲通常方法的六分之一。異步方法雖然效率高，但須要掌握異步編程，這須要學習一段時間。
關於異步方法與通常方法在速度上的比較，能夠參考文章：利用aiohttp實現異步爬蟲。
若是有人以爲127秒的爬蟲速度仍是慢，能夠嘗試一下異步代碼（與以前的異步代碼的區別在於：僅僅使用了正則表達式代替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'}
# 發送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)

# 異步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):
    # 利用正則表達式解析網頁
    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模塊進行異步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('使用異步（正則表達式），總共耗時：%s' % (t2 - t1))
print('#' * 50)

輸出的結果以下（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
使用異步（正則表達式），總共耗時：16.521944999694824
##################################################

16.5秒，僅僅爲通常方法的43分之一，速度如此之快，使人咋舌（感謝某人提供的嘗試）。筆者雖然本身實現了異步方法，但用的是BeautifulSoup來解析網頁，耗時127秒，沒想到使用正則表達式就取得了如此驚人的效果。可見，BeautifulSoup解析網頁雖然快，但在異步方法中，仍是限制了速度。但這種方法的缺點爲，當你須要爬取的內容比較複雜時，通常的正則表達式就難以勝任了，須要另想辦法。

爬蟲框架Scrapy

最後，咱們使用著名的Python爬蟲框架Scrapy來解決這個爬蟲。咱們建立的爬蟲項目爲wikiDataScrapy，項目結構以下：

在settings.py中設置「ROBOTSTXT_OBEY = False」. 修改items.py，代碼以下：

# -*- coding: utf-8 -*-

import scrapy

class WikidatascrapyItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    desc = scrapy.Field()

而後，在spiders文件夾下新建wikiSpider.py，代碼以下:

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'}
    # 發送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()  # 須要爬取的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，並轉化爲csv文件
scrapy.cmdline.execute(['scrapy', 'crawl', 'wikiScrapy', '-o', 'wiki.csv', '-t', 'csv'])

輸出結果以下（只包含最後的Scrapy信息總結部分）：

{'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)}

能夠看到，已成功爬取500個網頁，耗時31秒，速度也至關OK。再來看一下生成的wiki.csv文件，它包含了全部的輸出的name和description，以下圖：

能夠看到，輸出的CSV文件的列並非有序的。至於如何解決Scrapy輸出的CSV文件有換行的問題，請參考stackoverflow上的回答：https://stackoverflow.com/questions/39477662/scrapy-csv-file-has-uniform-empty-rows/43394566#43394566 。

Scrapy來製做爬蟲的優點在於它是一個成熟的爬蟲框架，支持異步，併發，容錯性較好（好比本代碼中就沒有處理找不到name和description的情形），但若是須要頻繁地修改中間件，則仍是本身寫個爬蟲比較好，並且它在速度上沒有超過咱們本身寫的異步爬蟲，至於能自動導出CSV文件這個功能，仍是至關實在的。