Python爬虫-速度（1）

深藏阁楼爱情的钟 2022-04-16 21:10 280阅读 0赞

# Python爬虫-速度（1） #

### 文章目录 ###

*  Python爬虫-速度（1）
 *   *  前言
     *  网页分析
     *  接口设计
     *  运行效果

018.9.16

[Python爬虫-速度（2）][Python_-_2]  
[Python爬虫-速度（3）][Python_-_3]

## 前言 ##

其实爬虫的整个基本流程已经讲完了。无论是如何发起请求，还是解析文件，再到存储，以及处理需要js渲染的网页。入门需要掌握的，也不过这些而已。只是可能还不够，比方说速度。在我们不想用框架，如scrapy，但仍想为程序提速的时候，应该怎样解决呢？

我认为大概可以从多进程，多线程，协程，以及异步上进行考虑。但我不建议把速度提升到极致，这里有两个理由：第一，同一IP短时间内请求频率过高，会带来封IP的反扒策略，当然，你可以使用海量代理IP；第二，也是我认为更重要的一点，请求频率过高可能会造成网站服务器宕机，对方运维人员日子会不好过的，大家都是混口饭吃，所以何必。

【速度篇】预计分三部分来写吧，第一部分主要写一个普通的爬虫程序，第二部分会是关于什么是多进程线程之类的，第三部分则是前面的结合——用第二部分中的内容来改写第一部分的爬虫程序。最后通过打印程序运行时间，来简单验证速度是否得到提升。

程序是讲究实用性的。老实说，我感觉自己在爬虫里遇到了瓶颈，不但是技术上的，更是使用上的。可以用个类比来解释我现在的困境：因为觉得无处使力，而不知自己力的天花板，所以也无法通过修炼来提升自己的力气。我确实没什么要爬取的数据了，这是早晚的事，毕竟我是出于兴趣而非任务，爬完自己的“兴趣”，便不知路往何方。

但生活总有给你一个“偶尔”使力的机会，只要你能发现。

最近秋招开始，学校的就业信息网陆续更新了一些公司的宣讲会时间，教室，职位要求等。而每次打开浏览器去阅览是有点麻烦的事儿，因为学校的每个网站都不以用户的角度思考。这些不必细说，想你们也是深有体会的。所以今天的爬虫程序就以此为背景，将所有职位爬取下来保存本地。为每个公司创建一个文件夹，里边包含职位详情的txt文件，以及招聘简章的doc文件，具体效果如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU5MDUx_size_16_color_FFFFFF_t_70]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU5MDUx_size_16_color_FFFFFF_t_70 1]

## 网页分析 ##

目录页（[http://www.swpu.edu.cn/zsjy/info/1056/1922.htm）][http_www.swpu.edu.cn_zsjy_info_1056_1922.htm]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU5MDUx_size_16_color_FFFFFF_t_70 2]

点击职位对应的招聘链接，即进入详情页  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU5MDUx_size_16_color_FFFFFF_t_70 3]

详情页页底，会有招聘简章的链接，一般为docx文件，少部分会是pdf或者excel，或者没有。由于这个爬虫程序主要用来“改写”，所以按“少数服从多数”策略，都以docx文件来处理  
![在这里插入图片描述][20181112134832793.png]

## 接口设计 ##

首先我写了一个函数，用来请求网页

def get_one_html(url, tries=3):
        """获取一个网页"""
        try:
            response = requests.get(url, headers=HEADERS)
        except error.HTTPError:
            if tries <= 0:
                return None
            else:
                get_one_html(url, tries-1)
        else:
            response.encoding = response.apparent_encoding
    
            bag.html = response.text
            bag.url = response.url
            return bag

该函数返回一个**bag**包，其实是一种类似tuple的数据结构，创建方式：

bag = namedtuple("html_link", ["html", "url"])

--------------------

之后解析目录页的数据，主要提取公司名，宣讲会时间，宣讲会地点，详情页链接（其实中间两个并没有用到）

def extract_html(html):
        """提取网页内容"""
        selector = etree.HTML(html)
        roots = selector.xpath('//div[@id="vsb_content"]//tbody/tr')
        for root in roots[1:]:
            company = root.xpath("./td[1]/text()")
            time = root.xpath("./td[2]/text()")
            position = root.xpath("./td[3]/text()")
            link = root.xpath("./td[4]/a/@href")
    
            yield { 
                "company": "".join(company),
                "time": "".join(time),
                "position": "".join(position),
                "link": "".join(link),
            }

该函数是**yield**出去一个字典，实际上使用了协程的思想

--------------------

既然拿到了详情页链接，自然是要请求这个链接拿到html的，请求网页依然可以让`get_one_html()`函数来负责；解析则需要另写一个函数

def extract_detail_html(bag):
        """提取详情页内容"""
        doc = pq(bag.html)
        data = doc("#vsb_content_100 tr").text()
        # 文本信息
        result = map(lambda x: x.replace("\n", ":"), [item for item in data.split(" ") if item])
        # 招聘简章链接
        link = doc(".Main tr td span > a").attr("href")
        return (result, parse.urljoin(bag.url, link))

这里解析用的是PyQuery库，这是因为它的一个`text()`方法可以直接拿出某个节点，以及其子节点，孙节点中的文本信息，很是方便。该函数返回文本，以及拼接过的docx文件链接

--------------------

最后是将数据保存到本地

def save_to_txt(dirname, url, data):
        """将数据保存到txt文件中 目录名，详情页url, 详情页内容"""
        with open("data/{}/详情.txt".format(dirname), "w", encoding="utf-8") as file:
            for item in chain([url], data):
                file.write("{0}\n{1}\n".format(item, "-"*50))
    
    def download_doc(dirname, url, referer):
        """下载对应的doc文档 目录名，doc的url，详情页的url"""
        headers = { "Referer": referer}
        headers.update(HEADERS)
        try:
            response = requests.get(url, headers=headers)
        except error.HTTPError:
            pass
        else:
    	    # 二进制文件需要wb
            with open("data/{}/招聘简章.doc".format(dirname), "wb") as file:
                file.write(response.content)

这里主要需要注意的是【招聘简章】的链接，如果我们直接用这个链接去访问，会跳转到输入验证码的页面，但如果在详情页点击这个链接，就能直接下载。原因是**请求头需要加入\{“Referer”: referer\}**，这个referer值就是当前详情页的链接

--------------------

程序完整如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU5MDUx_size_16_color_FFFFFF_t_70 4]

## 运行效果 ##

运行之后效果如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU5MDUx_size_16_color_FFFFFF_t_70 5]

耗时约为**16.5**秒

此次代码已上传[GitHub][]

[Python_-_2]: https://blog.csdn.net/qq_41359051/article/details/83990892
[Python_-_3]: https://blog.csdn.net/qq_41359051/article/details/83991019
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU5MDUx_size_16_color_FFFFFF_t_70]: /images/20220417/be5b90ef3f6248bdbdbd76faba2ea3bf.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU5MDUx_size_16_color_FFFFFF_t_70 1]: /images/20220417/315abaa7ea9e499eb4db70ace049fb7c.png
[http_www.swpu.edu.cn_zsjy_info_1056_1922.htm]: http://www.swpu.edu.cn/zsjy/info/1056/1922.htm%EF%BC%89
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU5MDUx_size_16_color_FFFFFF_t_70 2]: /images/20220417/8fd62e6c22264a6da2c909e6a658def2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU5MDUx_size_16_color_FFFFFF_t_70 3]: /images/20220417/8f24348a20944c779068b96580b92ce7.png
[20181112134832793.png]: /images/20220417/958dc9020923402da5e91df9bed8511a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU5MDUx_size_16_color_FFFFFF_t_70 4]: /images/20220417/a82493ffe62049c495cacb43fa5f4d76.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU5MDUx_size_16_color_FFFFFF_t_70 5]: /images/20220417/ccc6b628844d46a99616bcffecfba5cc.png
[GitHub]: https://github.com/youguanxinqing/SchoolJobsCrawl