Python爬虫的N种姿势

Dear 丶 2022-05-09 14:40 214阅读 0赞

### 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）：][https_www.wikidata.org_w_index.php_title_Special_WhatLinksHere_Q5_limit_500_from_0]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70][]

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：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 1][]

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4种姿势 ###

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][https_www.wikidata.org_w_index.php_title_Special_WhatLinksHere_Q5_limit_500_from_0 1]）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 requests
    from bs4 import BeautifulSoup
    import 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description
    def 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 States
    Douglas Adams                           ,	British author and humorist (1952–2001)
    ......
    Willoughby Newton                       ,	Politician from Virginia, USA
    Mack 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 requests
    from bs4 import BeautifulSoup
    import time
    from 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description
    def 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 projects
    Ken Jennings                            ,	American game show contestant and writer
    ......
    Antoine de Saint-Exupery                ,	French writer and aviator
    Michael 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][Python_Top250]。

### 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 requests
    from bs4 import BeautifulSoup
    import time
    import aiohttp
    import 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 host
    Gabriel Gonzáles Videla                 ,	Chilean politician
    ......
    Denmark                                 ,	sovereign state and Scandinavian country in northern Europe
    Usain 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][aiohttp]。  
  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 requests
    from bs4 import BeautifulSoup
    import time
    import aiohttp
    import asyncio
    import 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 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
    
    # 处理网页，获取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 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：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 2][]

在settings.py中设置“ROBOTSTXT\_OBEY = False”. [修改items.py][items.py]，代码如下：

# -*- coding: utf-8 -*-
    
    import scrapy
    
    class WikidatascrapyItem(scrapy.Item):
        # define the fields for your item here like:
        name = scrapy.Field()
        desc = scrapy.Field()

然后，[在spiders文件夹下新建wikiSpider.py][spiders_wikiSpider.py]，代码如下:

import scrapy.cmdline
    from wikiDataScrapy.items import WikidatascrapyItem
    import requests
    from 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：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 3][]

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_CSV]，请参考stackoverflow上的回答：[https://stackoverflow.com/questions/39477662/scrapy-csv-file-has-uniform-empty-rows/43394566\#43394566][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~~

[https_www.wikidata.org_w_index.php_title_Special_WhatLinksHere_Q5_limit_500_from_0]: https://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0%EF%BC%89%EF%BC%9A
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70]: /images/20220506/098c24c2d46c4436a5878189ec763dbc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 1]: /images/20220506/bebfe98ec42b4265814ca7b0a6f015c4.png
[https_www.wikidata.org_w_index.php_title_Special_WhatLinksHere_Q5_limit_500_from_0 1]: https://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0
[Python_Top250]: https://blog.csdn.net/jclian91/article/details/80738749
[aiohttp]: https://blog.csdn.net/jclian91/article/details/82691269
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 2]: /images/20220506/362ba89990cb4aceb07c8dd78f73a33d.png
[items.py]: http://xn--items-3u3h158j.py
[spiders_wikiSpider.py]: http://xn--spiderswikiSpider-ky50at1kw67cwcj605a6q5ah2a.py
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 3]: /images/20220506/a7a385f45bc04324ab2e0df4c563579f.png
[Scrapy_CSV]: https://segmentfault.com/q/1010000010632474
[https_stackoverflow.com_questions_39477662_scrapy-csv-file-has-uniform-empty-rows_43394566_43394566]: https://stackoverflow.com/questions/39477662/scrapy-csv-file-has-uniform-empty-rows/43394566#43394566