知己知彼，案例對比 Requests、Selenium、Scrapy 爬蟲庫！

經(jīng)常有讀者會爬蟲學(xué)哪個庫？其實常用的 Python 爬蟲庫無非是requests，selenium和scrapy，且每個庫都有他們的特點，對于我來說沒有最推薦的庫只有最合適庫，本文就將基于一個簡單的爬蟲案例（Python爬取起點中文網(wǎng)）來對比分析（從時間角度）三個庫

目標(biāo)需求為批量采集排行榜書籍信息，如下圖所示：

頁面結(jié)構(gòu)很容易分析出來，排行榜100條書籍信息，一個靜態(tài)頁面包含20條數(shù)據(jù)。使用不同的第三方庫進(jìn)行數(shù)據(jù)解析并提取數(shù)據(jù)，分別是：

• requests
• selenium
• Scrapy

然后再邏輯代碼的開頭和結(jié)尾加上時間戳，得到程序運行時間，進(jìn)行效率對比。

這里由于都是使用xpath提取數(shù)據(jù)，三種方式xpath語句大同小異，這里提前數(shù)據(jù)解析說明：

1. imgLink: //div[@class='book-img-text']/ul/li/div[1]/a/@href
2. title:  //div[@class='book-img-text']/ul/li//div[2]/h4/a/text()
3. author:  //div[@class='book-img-text']/ul/li/div[2]/p[1]/a[1]/text()
4. intro:  //div[@class='book-img-text']/ul/li/div[2]/p[2]/text()
5. update://div[@class='book-img-text']/ul/li/div[2]/p[3]/a/text()

一、requests

首先導(dǎo)入相關(guān)庫

from lxml import etree
import requests
import time

邏輯代碼如下

start = time.time()                 # 開始計時?

url = 'https://www.qidian.com/rank/yuepiao?style=1&page=1'
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36'
}

page = requests.get(url,headers=headers)
html = etree.HTML(page.content.decode('utf-8'))
books = html.xpath("http://div[@class='book-img-text']/ul/li")

for book in books:
    imglink = 'https:' + book.xpath("./div[1]/a/@href")[0]
 # 其它信息xpath提取，這里省略 ....
    update = book.xpath("./div[2]/p[3]/a/text()")[0]
    print(imglink,title,author,intro,update)

end = time.time()                  #  結(jié)束計時?

print(end-start)

程序運行結(jié)果如下

可以看到用時 0.823s 將全部數(shù)據(jù)爬取下來。

二、 selenium

首先導(dǎo)入相關(guān)庫

import time
from selenium import webdriver

代碼實現(xiàn)如下

url = 'https://www.qidian.com/rank/yuepiao?style=1&page=1'

start = time.time()                 # 開始計時?
driver = webdriver.Chrome()
driver.get(url)
books = driver.find_elements_by_xpath("http://div[@class='book-img-text']/ul/li")

for book in books:
    imglink = 'https:' + book.find_element_by_xpath("./div[1]/a").get_attribute('href')
 # 其它小說信息的定位提取語句，...
    update = book.find_element_by_xpath("./div[2]/p[3]/a").text
    print(imglink,title,author,intro,update)

end = time.time()                   #  結(jié)束計時?

print(end-start)
# 18.564752340316772

運行結(jié)果如下

可以看到時間是18.8174s

三、Scrapy

最后是 Scrapy 實現(xiàn)，代碼如下

import scrapy
import time


class QdSpider(scrapy.Spider):
    name = 'qd'
    allowed_domains = ['qidian.com']
    start_urls = ['https://www.qidian.com/rank/yuepiao?style=1&page=1']


    def parse(self, response):
        start = time.time()               # 開始計時?

        books = response.xpath("http://div[@class='book-img-text']/ul/li")

        for book in books:
            imglink = 'https:' + book.xpath("./div[1]/a/@href").extract_first()
            # 其它信息的xpath提取語句，......
            update = book.xpath("./div[2]/p[3]/a/text()").extract_first()
            print(imglink, title, author, intro, update)

        end = time.time()               #  結(jié)束計時?

        print(end - start)

運行結(jié)果如下

可以看到運行時間僅僅用了0.016s

四、結(jié)果分析

從代碼量來看的話：其實代碼量相差不大，因為實現(xiàn)邏輯比較簡單。

但從運行時間來看的話：scrapy 是最快的只花了0.02s不到，selenium 是最慢的，花了將近20s，運行效率是 scrapy 的1/1000。不過scrapy開發(fā)、調(diào)試代碼的時間相比于 requests、selenium 會長一點，

再仔細(xì)研究一下原因

“

requests：requests模擬瀏覽器的請求，將請求到的網(wǎng)頁內(nèi)容下載下來以后，并不會執(zhí)行js代碼。

selenium為什么最慢：首先Selenium是一個用于Web應(yīng)用程序自動化測試工具，Selenium測試直接運行在瀏覽器中（支持多種瀏覽器，谷歌，火狐等等），模擬用戶進(jìn)行操作，以得到網(wǎng)頁渲染之后的結(jié)果，selenium解析執(zhí)行了網(wǎng)頁CSS,js代碼，所以效率較低。

scrapy框架爬取效率最高：首先同requests一樣，scrapy它也沒有執(zhí)行網(wǎng)頁js代碼，但是我們知道scrapy是一個提取結(jié)構(gòu)性數(shù)據(jù)的應(yīng)用框架，Scrapy使用了Twisted異步網(wǎng)絡(luò)框架，可以加快我們的下載速度，并發(fā)性好，性能較高，所以它的效率最高。

”

五、補充

通過上面的簡單測試，我們可能會覺得selenium效率如此低下，是不是數(shù)據(jù)采集不太常用selenium？只能說在能夠爬取到數(shù)據(jù)的前提下，采集效率高的方式才會作為首選。

所以本文的目的不是為了說明不要使用selenium，接下來我們看看招聘網(wǎng)站--拉勾招聘的頁面數(shù)據(jù)采集。隨機選擇一個崗位java，頁面如下：

5.1 requests實現(xiàn)

如果是用 requests 請求數(shù)據(jù)

你會發(fā)現(xiàn)并沒有數(shù)據(jù)，網(wǎng)頁做了反爬處理，這時候selenium就派上用場了，不用分析網(wǎng)站反爬方式，直接模擬用戶請求數(shù)據(jù)（大多數(shù)情況下，也有針對selenium的反爬手段）

5.2 selenium實現(xiàn)

如上文所說，如果是用 requests 或者 scrapy爬蟲發(fā)現(xiàn)有反爬措施，可以嘗試selenium，有時會異常簡單

from selenium import webdriver

url = 'https://www.lagou.com/zhaopin/Java/?labelWords=label'

driver = webdriver.Chrome()
driver.get(url)
items = driver.find_elements_by_xpath("http://ul[@class='item_con_list']/li")
print(len(items))
for item in items:
    title = item.find_element_by_xpath("./div[1]/div[1]/div[1]/a/h3").text
    print(title)

運行結(jié)果如下：

很輕松就提取到了頁面的數(shù)據(jù)！

所以根據(jù)本文的案例分析，如果有爬蟲需求時，將方法定格在某一個方法并非是一個很好的選擇，大多情況下我們需要根據(jù)對應(yīng)網(wǎng)站/app的特點以及具體需求，來綜合判斷，挑選出最合適的爬蟲庫！

國內(nèi)爬蟲開發(fā)人員的未來
xdm，外包能干嗎？

您看此文用   分  秒，轉(zhuǎn)發(fā)只需1