干货| 查收多种爬虫方式对比(附资料)

最新推荐文章于 2023-10-30 20:16:11 发布

原创最新推荐文章于 2023-10-30 20:16:11 发布 · 1.2k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#爬虫 #c++ #python #开发语言 #职场和发展 #学习 #数据分析

本文对比了Python爬虫中的三种框架（常规、Scrapy和多线程）、三种解析方式（Xpath、正则表达式和BeautifulSoup）以及两种数据存储（MySQL和MongoDB），结果显示多线程爬虫配合Xpath解析效率最高，存储方式对整体效率影响较小。

Python爬虫的方式有多种，从爬虫框架到解析提取，再到数据存储，各阶段都有不同的手段和类库支持。虽然不能一概而论哪种方式一定更好，毕竟不同案例需求和不同应用场景会综合决定采取哪种方式，但对比之下还是会有很大差距。

00 概况

以安居客杭州二手房信息为爬虫需求，分别对比实验了三种爬虫框架、三种字段解析方式和三种数据存储方式，旨在全方面对比各种爬虫方式的效率高低。

安居客平台没有太强的反爬措施，只要添加headers模拟头即可完美爬取，而且不用考虑爬虫过快的问题。选中杭州二手房之后，很容易发现url的变化规律。值得说明的是平台最大开放50页房源信息，每页60条。为使爬虫简单便于对比，我们只爬取房源列表页的概要信息，而不再进入房源详情页进行具体信息的爬取，共3000条记录，每条记录包括10个字段：标题，户型，面积，楼层，建筑年份，小区/地址，售卖标签，中介，单价，总价。

01 3种爬虫框架

1. 常规爬虫

实现3个函数，分别用于解析网页、存储信息，以及二者的联合调用。在主程序中，用一个常规的循环语句逐页解析。

import requests
from lxml import etree
import pymysql
import time

def get_info(url):
    pass
    return infos

def save_info(infos):
    pass

def getANDsave(url):
    pass

if __name__ == '__main__':
    urls = [f'https://hangzhou.anjuke.com/sale/p{page}/' for page in range(1,51)]
    start = time.time()
    #常规单线程爬取
    for url in urls:
        getANDsave(url)
    tt = time.time()-start
    print("共用时：",tt, "秒。")

耗时64.9秒。

2. Scrapy框架

Scrapy框架是一个常用的爬虫框架，非常好用，只需要简单实现核心抓取和存储功能即可，而无需关注内部信息流转，而且框架自带多线程和异常处理能力。

class anjukeSpider(scrapy.Spider):
    name = 'anjuke'
    allowed_domains = ['anjuke.com']
    start_urls = [f'https://hangzhou.anjuke.com/sale/p{page}/' for page in range(1, 51)]

    def parse(self, response):
        pass
        yield item

耗时14.4秒。

3. 多线程爬虫

对于爬虫这种IO密集型任务来说，多线程可明显提升效率。实现多线程python的方式有多种，这里我们应用concurrent的futures模块，并设置最大线程数为8。

from concurrent.futures import ThreadPoolExecutor, wait, ALL_COMPLETED

def get_info(url):
    pass
    return infos

def save_info(infos):
    pass

def getANDsave(url):
    pass

if __name__ == '__main__':
    urls = [f'https://hangzhou.anjuke.com/sale/p{page}/' for page in range(1,51)]
    start = time.time()
    executor = ThreadPoolExecutor(max_workers=8)
    future_tasks = [executor.submit(getANDsave, url) for url in urls]
    wait(future_tasks, return_when = ALL_COMPLETED)
    tt = time.time()-start
    print("共用时：",tt, "秒。")

耗时8.1秒。

对比来看，多线程爬虫方案耗时最短，相比常规爬虫而言能带来数倍的效率提升，Scrapy爬虫也取得了不俗的表现。需要指出的是，这里3种框架都采用了Xpath解析和MySQL存储。

02 3种解析方式

在明确爬虫框架的基础上，如何对字段进行解析提取就是第二个需要考虑的问题，常用的解析方式有3种，一般而言，论解析效率Re>=Xpath>Bs4；论难易程度，Bs4则最为简单易懂。

因为前面已经对比得知，多线程爬虫有着最好的执行效率，我们以此为基础，对比3种不同解析方式，解析函数分别为：

1. Xpath

from lxml import etree
def get_info(url):
    response = requests.get(url, headers = headers)
    html = response.text
    html = etree.HTML(html)
    items = html.xpath("//li[@class = 'list-item']")
    infos = []
    for item in items:
        try:
            title = item.xpath(".//div[@class='house-title']/a/text()")[0].strip()
            houseType = item.xpath(".//div[@class='house-details']/div[2]/span[1]/text()")[0]
            area = item.xpath(".//div[@class='house-details']/div[2]/span[2]/text()")[0]
            floor = item.xpath(".//div[@class='house-details']/div[2]/span[3]/text()")[0]
            buildYear = item.xpath(".//div[@class='house-details']/div[2]/span[4]/text()")[0]
            adrres = item.xpath(".//div[@class='house-details']/div[3]/span[1]/text()")[0]
            adrres = "|".join(adrres.split())
            tags = item.xpath(".//div[@class='tags-bottom']//text()")
            tags = '|'.join(tags).strip()
            broker = item.xpath(".//div[@class='broker-item']/span[2]/text()")[0]
            totalPrice = item.xpath(".//div[@class='pro-price']/span[1]//text()")
            totalPrice = "".join(totalPrice).strip()
            price = item.xpath(".//div[@class='pro-price']/span[2]/text()")[0]
            values = (title, houseType, area, floor, buildYear, adrres, tags, broker, totalPrice, price)
            infos.append(values)
        except:
            print('1条信息解析失败')
    return infos

耗时8.1秒。

2. Re

import re
def get_info(url):
    response = requests.get(url, headers = headers)
    html = response.text
    html = html.replace('\n','')
    pattern = r'<li class="list-item" data-from="">.*?</li>'
    results = re.compile(pattern).findall(html)##先编译，再正则匹配
    infos = []
    for result in results: 
        values = ['']*10
        titles = re.compile('title="(.*?)"').findall(result)
        values[0] = titles[0]
        values[5] = titles[1].replace('&nbsp;','')
        spans = re.compile('<span>(.*?)</span><em class="spe-lines">|</em><span>(.*?)</span><em class="spe-lines">|</em><span>(.*?)</span><em class="spe-lines">|</em><span>(.*?)</span>').findall(result)
        values[1] =''.join(spans[0])
        values[2] = ''.join(spans[1])
        values[3] = ''.join(spans[2])
        values[4] = ''.join(spans[3])
        values[7] = re.compile('<span class="broker-name broker-text">(.*?)</span>').findall(result)[0]
        tagRE = re.compile('<span class="item-tags tag-others">(.*?)</span>').findall(result)
        if tagRE:
            values[6] = '|'.join(tagRE)
        values[8] = re.compile('<span class="price-det"><strong>(.*?)</strong>万</span>').findall(result)[0]+'万'
        values[9] = re.compile('<span class="unit-price">(.*?)</span>').findall(result)[0]
        infos.append(tuple(values))

    return infos

耗时8.6秒。

3. Bs4

from bs4 import BeautifulSoup

def get_info(url):
    response = requests.get(url, headers = headers)
    html = response.text
    soup = BeautifulSoup(html, "html.parser")
    items = soup.find_all('li', attrs={'class': "list-item"})
    infos = []
    for item in items:
        try:
            title = item.find('a', attrs={'class': "houseListTitle"}).get_text().strip()
            details = item.find_all('div',attrs={'class': "details-item"})[0]
            houseType = details.find_all('span')[0].get_text().strip()
            area = details.find_all('span')[1].get_text().strip()
            floor = details.find_all('span')[2].get_text().strip()
            buildYear = details.find_all('span')[3].get_text().strip()
            addres = item.find_all('div',attrs={'class': "details-item"})[1].get_text().replace(' ','').replace('\n','')
            tag_spans = item.find('div', attrs={'class':'tags-bottom'}).find_all('span')
            tags = [span.get_text() for span in tag_spans]
            tags = '|'.join(tags)
            broker = item.find('span',attrs={'class':'broker-name broker-text'}).get_text().strip()
            totalPrice = item.find('span',attrs={'class':'price-det'}).get_text()
            price = item.find('span',attrs={'class':'unit-price'}).get_text()
            values = (title, houseType, area, floor, buildYear, addres, tags, broker, totalPrice, price)
            infos.append(values)
        except:
            print('1条信息解析失败')
    return infos

耗时23.2秒。

Xpath和Re执行效率相当，Xpath甚至要略胜一筹，Bs4效率要明显低于前两者（此案例中，相当远前两者效率的1/3），但写起来则最为容易。

03 存储方式

在完成爬虫数据解析后，一般都要将数据进行本地存储，方便后续使用。小型数据量时可以选用本地文件存储，例如CSV、txt或者json文件；当数据量较大时，则一般需采用数据库存储，这里，我们分别选用关系型数据库的代表MySQL和文本型数据库的代表MongoDB加入对比。

1. MySQL

import pymysql

def save_info(infos):
    #####infos为列表形式，其中列表中每个元素为一个元组，包含10个字段
    db= pymysql.connect(host="localhost",user="root",password="123456",db="ajkhzesf")
    sql_insert = 'insert into hzesfmulti8(title, houseType, area, floor, buildYear, adrres, tags, broker, totalPrice, price) values(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)'
    cursor = db.cursor()
    cursor.executemany(sql_insert, infos)
    db.commit()

耗时8.1秒。

2. MongoDB

import pymongo

def save_info(infos):
    # infos为列表形式，其中列表中的每个元素为一个字典，包括10个字段
    client = pymongo.MongoClient()
    collection = client.anjuke.hzesfmulti
    collection.insert_many(infos)
    client.close()

耗时8.4秒。

3. CSV文件

import csv

def save_info(infos):
    # infos为列表形式，其中列表中的每个元素为一个列表，包括10个字段
    with open(r"D:\PyFile\HZhouse\anjuke.csv", 'a', encoding='gb18030', newline="") as f:
        writer = csv.writer(f)
        writer.writerows(infos)