内容简介:在爬虫基础之环境搭建与入门中,介绍了如何用Requests下载(爬取)了一个页面,并用BeautifulSoup这个HTML解析库来解析页面里面我们想要的内容。显然,爬虫肯定不是只让我们爬取一个网页的,这样的工作,人也可以做。下面我们来看:nladuo.cn/scce_site/这个页面。这个页面一共有10页,点击下一页之后可以看到在网页的url中多了个字段“2.html”,也就是当前页面时第二页的意思。也就是我们如果要爬取下所有的新闻,只要爬取形如"
在爬虫基础之环境搭建与入门中,介绍了如何用Requests下载(爬取)了一个页面,并用BeautifulSoup这个HTML解析库来解析页面里面我们想要的内容。
显然,爬虫肯定不是只让我们爬取一个网页的,这样的工作,人也可以做。下面我们来看:nladuo.cn/scce_site/这个页面。这个页面一共有10页,点击下一页之后可以看到在网页的url中多了个字段“2.html”,也就是当前页面时第二页的意思。
也就是我们如果要爬取下所有的新闻,只要爬取形如" nladuo.cn/scce_site/{… "的页面就好了。
这里使用一个for循环就可以完成全部页面的爬取。
import requests from bs4 import BeautifulSoup import time def crawl_one_page(page_num): resp = requests.get("http://nladuo.cn/scce_site/{page}.html". format(page=page_num)) soup = BeautifulSoup(resp.content) items = soup.find_all("div", {"class": "every_list"}) for item in items: title_div = item.find("div", {"class": "list_title"}) title = title_div.a.get_text() url = title_div.a["href"] date = item.find("div", {"class": "list_time"}).get_text() print(date, title, url) if __name__ == '__main__': t0 = time.time() for i in range(1, 11): print("crawling page %d ......." % i) crawl_one_page(i) print("used:", (time.time() - t0)) 复制代码
CPU密集型和IO密集型业务
通过上面的代码,我们完成了一个顺序结构的爬虫。下面我们来讨论如何爬取的速度瓶颈在哪里,从而提升爬取速率。
这里介绍一下 CPU密集型业务 和 I/O密集型业务 。
- CPU密集型业务(CPU-bound):也叫计算密集型,指的是系统的硬盘、内存性能相对CPU要好很多,此时,系统运作大部分的状况是CPU Loading 100%,CPU要读/写I/O(硬盘/内存),I/O在很短的时间就可以完成,而CPU还有许多运算要处理,CPU Loading很高。
- I/O密集型业务(I/O-bound):指的是系统的CPU性能相对硬盘、内存要好很多,此时,系统运作,大部分的状况是CPU在等I/O (硬盘/内存) 的读/写操作,此时CPU Loading并不高。
(上述解释来自 blog.csdn.net/youanyyou/a… )
网络爬虫主要有两个部分,一个是下载页面,一个是解析页面。显然,下载是个长时间的I/O密集操作,而解析页面则是需要调用算法来查找页面结构,是个CPU操作。
对于爬虫来说,耗时主要在下载一个网页中,根据网络的连通性,下载一个网页可能要几百毫秒甚至几秒,而解析一个页面可能只需要几十毫秒。所以爬虫其实是属于I/O密集型业务,其瓶颈主要在网络上面。
所以,提升爬虫的爬取速度,不是把CPU都跑满。而是要多开几个下载器,同时进行下载,把网络I/O跑满。
在 Python 中,使用多线程和多进程都可以实现并发下载。然而在python多线程无法跑多核(参见:GIL),而多进程可以。
这里,我们主要说一下python中多进程的使用。
多进程
python中调用多进程使用multiprocessing这个包就好了。下面创建了两个进程,每隔一秒打印一下进程ID。(这里的time.sleep可以理解为耗时的I/O操作。)
import multiprocessing import time import os def process(process_id): while True: time.sleep(1) print('Task %d, pid: %d, doing something' % (process_id, os.getpid())) if __name__ == "__main__": # 进程1 p = multiprocessing.Process(target=process, args=(1,)) p.start() # 进程2 p2 = multiprocessing.Process(target=process, args=(2,)) p2.start() 复制代码
可以看到基本上是同时打印两句话。而在没用多进程前,我们的代码会像下面的代码的样子。
while True: time.sleep(1) print 'Task 1, doing something' time.sleep(1) print 'Task 2, doing something' 复制代码
此时,我们创建两个进程,一个进程爬取1-5页,一个进程爬取6-10页。再来试试,看看速度有没有提升一倍。
import multiprocessing import requests from bs4 import BeautifulSoup import time def crawl_one_page(page_num): resp = requests.get("http://nladuo.cn/scce_site/{page}.html". format(page=page_num)) soup = BeautifulSoup(resp.content) items = soup.find_all("div", {"class": "every_list"}) for item in items: title_div = item.find("div", {"class": "list_title"}) title = title_div.a.get_text() url = title_div.a["href"] date = item.find("div", {"class": "list_time"}).get_text() print(date, title, url) def process(start, end): for i in range(start, end): print("crawling page %d ......." % i) crawl_one_page(i) if __name__ == '__main__': t0 = time.time() p = multiprocessing.Process(target=process, args=(1, 6)) # 任务1, 爬取1-5页 p.start() p2 = multiprocessing.Process(target=process, args=(6, 11)) # 任务2, 爬取6-10页 p2.start() p.join() p2.join() print("used:", (time.time() - t0)) 复制代码
进程池
像上面的方式,我们创建了两个进程,分别处理两个任务。然而有的时候,并不是那么容易的把一个任务分成两个任务。考虑一下把一个任务想象为爬取并解析一个网页,当我们有两个或者多个进程而任务有成千上万个的时候,代码应该怎么写呢?
这时候,我们需要维护几个进程,然后给每个进程分配一个网页,如何分配,需要我们自己定义。在所有的进程都在运行时,要保证有进程结束时,再加入新的进程。
import multiprocessing import requests from bs4 import BeautifulSoup import time def crawl_one_page(page_num): resp = requests.get("http://nladuo.cn/scce_site/{page}.html". format(page=page_num)) soup = BeautifulSoup(resp.content, "html.parser") items = soup.find_all("div", {"class": "every_list"}) for item in items: title_div = item.find("div", {"class": "list_title"}) title = title_div.a.get_text() url = title_div.a["href"] date = item.find("div", {"class": "list_time"}).get_text() print(date, title, url) if __name__ == '__main__': t0 = time.time() p = None # 进程1 p2 = None # 进程2 for i in range(1, 11): if i % 2 == 1: # 把偶数任务分配给进程1 p = multiprocessing.Process(target=crawl_one_page, args=(i,)) p.start() else: # 把奇数任务分配给进程2 p2 = multiprocessing.Process(target=crawl_one_page, args=(i,)) p2.start() if i % 2 == 0: # 保证只有两个进程, 等待两个进程完成 p.join() p2.join() print("used:", (time.time() - t0)) 复制代码
上面的代码实现了一个简单的两进程的任务分配和管理,但其实也存在着一些问题:比如进程2先结束,此时就只有一个进程在运行,但程序还阻塞住,无法产生新的进程。这里只是简单的做个例子,旨在说明进程管理的复杂性。
下面我们说一说进程池,其实就是为了解决这个问题而设计的。
既然叫做进程池,那就是有个池子,里面有一堆公用的进程;当有任务来了,拿一个进程出来;当任务完成了,把进程还回池子里,给别的任务用;当池子里面没有可用进程的时候,那就要等待,等别人把进程归还了再拿去用。
下面我们来看一下代码,让每个进程每秒打印一下pid,一共打印两遍。
from multiprocessing import Pool import time import os def do_something(num): for i in range(2): time.sleep(1) print("doing %d, pid: %d" % (num, os.getpid())) if __name__ == '__main__': p = Pool(3) for page in range(1, 11): # 10个任务 p.apply_async(do_something, args=(page,)) p.close() # 关闭进程池, 不再接受任务 p.join() # 等待子进程结束 复制代码
运行代码后可以看到,我们可以看到这里是三个三个的打印的,我们成功完成了三并发。同时,进程池一共产生了三个进程:59650、59651、59652,说明后面的所有任务都是使用这三个进程完成的。
下面,修改爬虫代码,用进程池实现并发爬取。
import requests from bs4 import BeautifulSoup from multiprocessing import Pool import time def crawl_one_page(page_num): resp = requests.get("http://nladuo.cn/scce_site/{page}.html". format(page=page_num)) soup = BeautifulSoup(resp.content, "html.parser") items = soup.find_all("div", {"class": "every_list"}) for item in items: title_div = item.find("div", {"class": "list_title"}) title = title_div.a.get_text() url = title_div.a["href"] date = item.find("div", {"class": "list_time"}).get_text() print(date, title, url) if __name__ == '__main__': t0 = time.time() p = Pool(5) for page in range(1, 11): # 1-10页 p.apply_async(crawl_one_page, args=(page,)) # 关闭进程池, 等待子进程结束 p.close() p.join() print("used:", (time.time() - t0)) 复制代码
到这里,多进程的讲解就结束了。
以上所述就是小编给大家介绍的《那些年,我爬过的北科(三)——爬虫进阶之多进程的使用》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- python爬虫 | 一文搞懂分布式进程爬虫
- 爬虫案例演示Python多线程、多进程、协程
- 进程:进程生命周期
- Python 知识巩固:通过主进程带起多个子进程实现多进程执行逻辑
- Python 中子进程与父进程
- 什么是僵尸进程,如何找到并杀掉僵尸进程?
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Head First Design Patterns—深入淺出設計模式
天瓏
寫應用程式時需要依照需求預先規劃、設計,而設計模式累積了前人的經歷,經由四人幫彙整出一系列的設計模式,以利後人可以套用。本書集合四人幫的23個模式(十幾年前的事)外加這十幾年來新增的一些模式,作者群以詼諧、幽默、圖文並茂、打破傳統著書的方式,由淺入深地詳解了設計模式的精神及重點。全書全部以當紅的 Java 程式語言為範例。 本書特點: * 全世界第二本書......一起来看看 《Head First Design Patterns—深入淺出設計模式》 这本书的介绍吧!