Python爬蟲(chóng)的4種姿勢(shì)
作者 |?jclian
來(lái)源 |?Python爬蟲(chóng)與算法
問(wèn)題的由來(lái)
??前幾天，有個(gè)人問(wèn)了筆者一個(gè)問(wèn)題，如何利用爬蟲(chóng)來(lái)實(shí)現(xiàn)如下的需求，需要爬取的網(wǎng)頁(yè)如下（網(wǎng)址為：https://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0）：
??我們的需求為爬取紅色框框內(nèi)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(guān)于其介紹，點(diǎn)擊該名人的名字即可，如下圖：
name和description這就意味著我們需要爬取500個(gè)這樣的頁(yè)面，即500個(gè)HTTP請(qǐng)求（暫且這么認(rèn)為吧），然后需要提取這些網(wǎng)頁(yè)中的名字和描述，當(dāng)然有些不是名人，也沒(méi)有描述，我們可以跳過(guò)。最后，這些網(wǎng)頁(yè)的網(wǎng)址在第一頁(yè)中的名人后面可以找到，如George Washington的網(wǎng)頁(yè)后綴為Q23.
??爬蟲(chóng)的需求大概就是這樣。
爬蟲(chóng)的4種姿勢(shì)
??首先，分析來(lái)爬蟲(chóng)的思路：先在第一個(gè)網(wǎng)頁(yè)（https://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0）中得到500個(gè)名人所在的網(wǎng)址，接下來(lái)就爬取這500個(gè)網(wǎng)頁(yè)中的名人的名字及描述，如無(wú)描述，則跳過(guò)。
??接下來(lái)，我們將介紹實(shí)現(xiàn)這個(gè)爬蟲(chóng)的4種方法，并分析它們各自的優(yōu)缺點(diǎn)，希望能讓讀者對(duì)爬蟲(chóng)有更多的體會(huì)。實(shí)現(xiàn)爬蟲(chóng)的方法為：
一般方法（同步，requests+BeautifulSoup）
并發(fā)（使用concurrent.futures模塊以及requests+BeautifulSoup）
異步（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(zhí)行。完整的Python代碼如下：
import?requests
from?bs4?import?BeautifulSoup
import?time
#?開(kāi)始時(shí)間
t1?=?time.time()
print('#'?*?50)
url?=?"http://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0"
#?請(qǐng)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(fā)送HTTP請(qǐng)求
req?=?requests.get(url,?headers=headers)
#?解析網(wǎng)頁(yè)
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(wǎng)址
for?human?in?human_list:
????url?=?human.find('a')['href']
????urls.append('https://www.wikidata.org'+url)
#?獲取每個(gè)網(wǎng)頁(yè)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(jié)束時(shí)間
print('一般方法，總共耗時(shí)：%s'?%?(t2?-?t1))
print('#'?*?50)
輸出的結(jié)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(shí)：724.9654655456543
##################################################
使用同步方法，總耗時(shí)約725秒，即12分鐘多。
??一般方法雖然思路簡(jiǎn)單，容易實(shí)現(xiàn)，但效率不高，耗時(shí)長(zhǎng)。那么，使用并發(fā)試試看。
并發(fā)方法
??并發(fā)方法使用多線程來(lái)加速一般方法，我們使用的并發(fā)模塊為concurrent.futures模塊，設(shè)置多線程的個(gè)數(shù)為20個(gè)（實(shí)際不一定能達(dá)到，視計(jì)算機(jī)而定）。完整的Python代碼如下：
import?requests
from?bs4?import?BeautifulSoup
import?time
from?concurrent.futures?import?ThreadPoolExecutor,?wait,?ALL_COMPLETED
#?開(kāi)始時(shí)間
t1?=?time.time()
print('#'?*?50)
url?=?"http://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0"
#?請(qǐng)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(fā)送HTTP請(qǐng)求
req?=?requests.get(url,?headers=headers)
#?解析網(wǎng)頁(yè)
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(wǎng)址
for?human?in?human_list:
????url?=?human.find('a')['href']
????urls.append('https://www.wikidata.org'+url)
#?獲取每個(gè)網(wǎng)頁(yè)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))
#?利用并發(fā)加速爬取
executor?=?ThreadPoolExecutor(max_workers=20)
# submit()的參數(shù)：?第一個(gè)為函數(shù)，?之后為該函數(shù)的傳入?yún)?shù)，允許有多個(gè)
future_tasks?=?[executor.submit(parser,?url)?for?url?in?urls]
#?等待所有的線程完成，才進(jìn)入后續(xù)的執(zhí)行
wait(future_tasks,?return_when=ALL_COMPLETED)
t2?=?time.time()?#?結(jié)束時(shí)間
print('并發(fā)方法，總共耗時(shí)：%s'?%?(t2?-?t1))
print('#'?*?50)
輸出的結(jié)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
并發(fā)方法，總共耗時(shí)：226.7499692440033
##################################################
使用多線程并發(fā)后的爬蟲(chóng)執(zhí)行時(shí)間約為227秒，大概是一般方法的三分之一的時(shí)間，速度有了明顯的提升?。《嗑€程在速度上有明顯提升，但執(zhí)行的網(wǎng)頁(yè)順序是無(wú)序的，在線程的切換上開(kāi)銷(xiāo)也比較大，線程越多，開(kāi)銷(xiāo)越大。
??關(guān)于多線程與一般方法在速度上的比較，可以參考文章：Python爬蟲(chóng)之多線程下載豆瓣Top250電影圖片。
異步方法
??異步方法在爬蟲(chóng)中是有效的速度提升手段，使用aiohttp可以異步地處理HTTP請(qǐng)求，使用asyncio可以實(shí)現(xiàn)異步IO，需要注意的是，aiohttp只支持3.5.3以后的Python版本。使用異步方法實(shí)現(xiàn)該爬蟲(chóng)的完整Python代碼如下：
import?requests
from?bs4?import?BeautifulSoup
import?time
import?aiohttp
import?asyncio
#?開(kāi)始時(shí)間
t1?=?time.time()
print('#'?*?50)
url?=?"http://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0"
#?請(qǐng)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(fā)送HTTP請(qǐng)求
req?=?requests.get(url,?headers=headers)
#?解析網(wǎng)頁(yè)
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(wǎng)址
for?human?in?human_list:
????url?=?human.find('a')['href']
????urls.append('https://www.wikidata.org'+url)
#?異步HTTP請(qǐng)求
async?def?fetch(session,?url):
????async?with?session.get(url)?as?response:
????????return?await?response.text()
#?解析網(wǎng)頁(yè)
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(wǎng)頁(yè)，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(jìn)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(jié)束時(shí)間
print('使用異步，總共耗時(shí)：%s'?%?(t2?-?t1))
print('#'?*?50)
輸出結(jié)果如下（省略中間的輸出，以……代替)：
##################################################
Frédéric?Tadde??????????????????????????,????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(shí)：126.9002583026886
##################################################
顯然，異步方法使用了異步和并發(fā)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。異步方法雖然效率高，但需要掌握異步編程，這需要學(xué)習(xí)一段時(shí)間。
??關(guān)于異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(shí)現(xiàn)異步爬蟲(chóng)。
??如果有人覺(jué)得127秒的爬蟲(chóng)速度還是慢，可以嘗試一下異步代碼（與之前的異步代碼的區(qū)別在于：僅僅使用了正則表達(dá)式代替BeautifulSoup來(lái)解析網(wǎng)頁(yè)，以提取網(wǎng)頁(yè)中的內(nèi)容）：
import?requests
from?bs4?import?BeautifulSoup
import?time
import?aiohttp
import?asyncio
import?re
#?開(kāi)始時(shí)間
t1?=?time.time()
print('#'?*?50)
url?=?"http://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0"
#?請(qǐng)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(fā)送HTTP請(qǐng)求
req?=?requests.get(url,?headers=headers)
#?解析網(wǎng)頁(yè)
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(wǎng)址
for?human?in?human_list:
????url?=?human.find('a')['href']
????urls.append('https://www.wikidata.org'?+?url)
#?異步HTTP請(qǐng)求
async?def?fetch(session,?url):
????async?with?session.get(url)?as?response:
????????return?await?response.text()
#?解析網(wǎng)頁(yè)
async?def?parser(html):
????#?利用正則表達(dá)式解析網(wǎng)頁(yè)
????try:
????????name?=?re.findall(r'(.+?) ',?html)[0]
????????desc?=?re.findall(r'(.+?) ',?html)[0]
????????print('%-40s,\t%s'?%?(name,?desc))
????except?Exception?as?err:
????????pass
#?處理網(wǎng)頁(yè)，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(jìn)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(jié)束時(shí)間
print('使用異步（正則表達(dá)式），總共耗時(shí)：%s'?%?(t2?-?t1))
print('#'?*?50)
輸出的結(jié)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
使用異步（正則表達(dá)式），總共耗時(shí)：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(shí)現(xiàn)了異步方法，但用的是BeautifulSoup來(lái)解析網(wǎng)頁(yè)，耗時(shí)127秒，沒(méi)想到使用正則表達(dá)式就取得了如此驚人的效果?？梢?jiàn)，BeautifulSoup解析網(wǎng)頁(yè)雖然快，但在異步方法中，還是限制了速度。但這種方法的缺點(diǎn)為，當(dāng)你需要爬取的內(nèi)容比較復(fù)雜時(shí)，一般的正則表達(dá)式就難以勝任了，需要另想辦法。
爬蟲(chóng)框架Scrapy
??最后，我們使用著名的Python爬蟲(chóng)框架Scrapy來(lái)解決這個(gè)爬蟲(chóng)。我們創(chuàng)建的爬蟲(chóng)項(xiàng)目為wikiDataScrapy，項(xiàng)目結(jié)構(gòu)如下：
wikiDataScrapy項(xiàng)目在settings.py中設(shè)置“ROBOTSTXT_OBEY = False”. 修改items.py，代碼如下：
#?-*-?coding:?utf-8?-*-
import?scrapy
class?WikidatascrapyItem(scrapy.Item):
????#?define?the?fields?for?your?item?here?like:
????name?=?scrapy.Field()
????desc?=?scrapy.Field()
然后，在spiders文件夾下新建wikiSpider.py，代碼如下:
import?scrapy.cmdline
from?wikiDataScrapy.items?import?WikidatascrapyItem
import?requests
from?bs4?import?BeautifulSoup
#?獲取請(qǐng)求的500個(gè)網(wǎng)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(qǐng)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(fā)送HTTP請(qǐng)求
????req?=?requests.get(url,?headers=headers)
????#?解析網(wǎng)頁(yè)
????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(wǎng)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(chóng)名稱(chēng)
????start_urls?=?get_urls()??#?需要爬取的500個(gè)網(wǎng)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(zhí)行該爬蟲(chóng)，并轉(zhuǎn)化為csv文件
scrapy.cmdline.execute(['scrapy',?'crawl',?'wikiScrapy',?'-o',?'wiki.csv',?'-t',?'csv'])
輸出結(jié)果如下（只包含最后的Scrapy信息總結(jié)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(gè)網(wǎng)頁(yè)，耗時(shí)31秒，速度也相當(dāng)OK。再來(lái)看一下生成的wiki.csv文件，它包含了所有的輸出的name和description，如下圖：
輸出的CSV文件（部分）可以看到，輸出的CSV文件的列并不是有序的。至于如何解決Scrapy輸出的CSV文件有換行的問(wèn)題，請(qǐng)參考stackoverflow上的回答：https://stackoverflow.com/questions/39477662/scrapy-csv-file-has-uniform-empty-rows/43394566#43394566 。
??Scrapy來(lái)制作爬蟲(chóng)的優(yōu)勢(shì)在于它是一個(gè)成熟的爬蟲(chóng)框架，支持異步，并發(fā)，容錯(cuò)性較好（比如本代碼中就沒(méi)有處理找不到name和description的情形），但如果需要頻繁地修改中間件，則還是自己寫(xiě)個(gè)爬蟲(chóng)比較好，而且它在速度上沒(méi)有超過(guò)我們自己寫(xiě)的異步爬蟲(chóng)，至于能自動(dòng)導(dǎo)出CSV文件這個(gè)功能，還是相當(dāng)實(shí)在的。
總結(jié)
??本文內(nèi)容較多，比較了4種爬蟲(chóng)方法，每種方法都有自己的利弊，已在之前的陳述中給出，當(dāng)然，在實(shí)際的問(wèn)題中，并不是用的工具或方法越高級(jí)就越好，具體問(wèn)題具體分析嘛~