爬取豆瓣电影TOP250的进阶

最新推荐文章于 2024-06-20 11:30:14 发布

a_hotpot

最新推荐文章于 2024-06-20 11:30:14 发布

阅读量1k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： python学习

本文链接：https://blog.youkuaiyun.com/lsy_07/article/details/82382907

本文介绍了作者重新捡起爬虫技术，对比了单线程、多线程和协程版本爬取豆瓣电影TOP250的性能。单线程耗时约2.45秒，多线程提升至0.3秒，而协程版本虽然尝试优化，但实际运行速度约为2.5秒，与单线程相差无几，暗示存在潜在问题，作者计划进一步研究协程以改进效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这两天把爬虫重新捡起来了，顺便看了下多线程和协程，重新写了单线程、多线程以及协程版本的爬虫爬取豆瓣电影TOP250.

单线程版本：

import requests
from lxml import etree
import re
from time import time

def get_page():
	i = 0
	pages = []
	while i <= 225:
		url = 'https://movie.douban.com/top250?start={}&filter='.format(i)
		pages.append(url)
		i = i + 25
	return pages

def fetch_page(url):
	send_headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36",
			"Connection":"keep-alive",
			"Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
			"Accept-Language":"zh-CN,zh;q=0.8"}
	response = requests.get(url, headers=send_headers)
	return response

def parse():
	pages = get_page()
	result = []
	for url in pages:
		response = fetch_page(url)
		html = etree.HTML(response.text)
		movie_name = '//