爬虫真的很简单！我至少可以教你十种不同的爬虫方法！

概述如何利用爬虫来实现如下的需求，需要爬取的网页如下（网址为：https://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0）：

如何利用爬虫来实现如下的需求，需要爬取的网页如下（网址为：https://www.wikIData.org/w/index.PHP?Title=Special:WhatlinksHere/Q5&limit=500&from=0）：

进群：548377875    即可获取数十套pdf哦，以及大量的学习资料！

我们的需求为爬取红色框框内的名人（有500条记录，图片只展示了一部分）的 名字以及其介绍，关于其介绍，点击该名人的名字即可，如下图：

name和description

这就意味着我们需要爬取500个这样的页面，即500个http请求（暂且这么认为吧），然后需要提取这些网页中的名字和描述，当然有些不是名人，也没有描述，我们可以跳过。最后，这些网页的网址在第一页中的名人后面可以找到，如George Washington的网页后缀为Q23.

爬虫的需求大概就是这样。

爬虫的4种姿势

首先，分析来爬虫的思路：先在第一个网页（https://www.wikIData.org/w/index.PHP?Title=Special:WhatlinksHere/Q5&limit=500&from=0）中得到500个名人所在的网址，接下来就爬取这500个网页中的名人的名字及描述，如无描述，则跳过。

接下来，我们将介绍实现这个爬虫的4种方法，并分析它们各自的优缺点，希望能让读者对爬虫有更多的体会。实现爬虫的方法为：

一般方法（同步，requests+BeautifulSoup） 并发（使用concurrent.futures模块以及requests+BeautifulSoup） 异步（使用aiohttp+asyncio+requests+BeautifulSoup） 使用框架Scrapy

一般方法

一般方法即为同步方法，主要使用requests+BeautifulSoup，按顺序执行。完整的Python代码如下：

import requestsfrom bs4 import BeautifulSoupimport time# 开始时间t1 = time.time()print('#' * 50)url = "http://www.wikIData.org/w/index.PHP?Title=Special:WhatlinksHere/Q5&limit=500&from=0"# 请求头部headers = {'User-Agent': 'Mozilla/5.0 (windows NT 10.0; WOW64) AppleWebKit/537.36 (K@R_404_6832@,like Gecko) Chrome/67.0.3396.87 Safari/537.36'}# 发送http请求req = requests.get(url,headers=headers)# 解析网页soup = BeautifulSoup(req.text,"lxml")# 找到name和Description所在的记录human_List = soup.find(ID='mw-whatlinkshere-List')('li')urls = []# 获取网址for human in human_List: url = human.find('a')['href'] urls.append('https://www.wikIData.org'+url)# 获取每个网页的name和descriptiondef parser(url): req = requests.get(url) # 利用BeautifulSoup将获取到的文本解析成@R_404_6832@ soup = BeautifulSoup(req.text,"lxml") # 获取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,%s'%(name.text,desc.text))for url in urls: parser(url)t2 = time.time() # 结束时间print('一般方法，总共耗时：%s' % (t2 - t1))print('#' * 50)

输出的结果如下(省略中间的输出，以……代替)：

##################################################George Washington,first PresIDent of the United StatesDouglas Adams,British author and humorist (1952–2001)......Willoughby Newton,Politician from Virginia,USAMack Wilberg,American conductor一般方法，总共耗时：724.9654655456543##################################################

使用同步方法，总耗时约725秒，即12分钟多。

一般方法虽然思路简单，容易实现，但效率不高，耗时长。那么，使用并发试试看。

并发方法

并发方法使用多线程来加速一般方法，我们使用的并发模块为concurrent.futures模块，设置多线程的个数为20个（实际不一定能达到，视计算机而定）。完整的Python代码如下：

import requestsfrom bs4 import BeautifulSoupimport timefrom concurrent.futures import ThreadPoolExecutor,wait,ALL_COMPLETED# 开始时间t1 = time.time()print('#' * 50)url = "http://www.wikIData.org/w/index.PHP?Title=Special:WhatlinksHere/Q5&limit=500&from=0"# 请求头部headers = {'User-Agent': 'Mozilla/5.0 (windows NT 10.0; WOW64) AppleWebKit/537.36 (K@R_404_6832@,desc.text))# 利用并发加速爬取executor = ThreadPoolExecutor(max_workers=20)# submit()的参数： 第一个为函数， 之后为该函数的传入参数，允许有多个future_tasks = [executor.submit(parser,url) for url in urls]# 等待所有的线程完成，才进入后续的执行wait(future_tasks,return_when=ALL_COMPLETED)t2 = time.time() # 结束时间print('并发方法，总共耗时：%s' % (t2 - t1))print('#' * 50)

输出的结果如下（省略中间的输出，以……代替)：

##################################################Larry Sanger,American former professor,co-founder of Wikipedia,founder of CitiZendium and other projectsKen Jennings,American game show contestant and writer......Antoine de Saint-Exupery,french writer and aviatorMichael Jackson,American singer,songwriter and dancer并发方法，总共耗时：226.7499692440033##################################################

使用多线程并发后的爬虫执行时间约为227秒，大概是一般方法的三分之一的时间，速度有了明显的提升啊！多线程在速度上有明显提升，但执行的网页顺序是无序的，在线程的切换上开销也比较大，线程越多，开销越大。

关于多线程与一般方法在速度上的比较，可以参考文章：Python爬虫之多线程下载豆瓣top250电影图片。

异步方法

异步方法在爬虫中是有效的速度提升手段，使用aiohttp可以异步地处理http请求，使用asyncio可以实现异步IO，需要注意的是，aiohttp只支持3.5.3以后的Python版本。使用异步方法实现该爬虫的完整Python代码如下：

import requestsfrom bs4 import BeautifulSoupimport timeimport aiohttpimport asyncio# 开始时间t1 = time.time()print('#' * 50)url = "http://www.wikIData.org/w/index.PHP?Title=Special:WhatlinksHere/Q5&limit=500&from=0"# 请求头部headers = {'User-Agent': 'Mozilla/5.0 (windows NT 10.0; WOW64) AppleWebKit/537.36 (K@R_404_6832@,"lxml")# 找到name和Description所在的记录human_List = soup.find(ID='mw-whatlinkshere-List')('li')urls = []# 获取网址for human in human_List: url = human.find('a')['href'] urls.append('https://www.wikIData.org'+url)# 异步http请求async def fetch(session,url): async with session.get(url) as response: return await response.text()# 解析网页async def parser(@R_404_6832@): # 利用BeautifulSoup将获取到的文本解析成@R_404_6832@ soup = BeautifulSoup(@R_404_6832@,desc.text))# 处理网页，获取name和descriptionasync def download(url): async with aiohttp.ClIEntSession() as session: try: @R_404_6832@ = await fetch(session,url) await parser(@R_404_6832@) except Exception as err: print(err)# 利用asyncio模块进行异步IO处理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() # 结束时间print('使用异步，总共耗时：%s' % (t2 - t1))print('#' * 50)

输出结果如下（省略中间的输出，以……代替)：

##################################################Frédéric Taddeï,french journaList and TV hostGabrIEl Gonzáles VIDela,Chilean politician......Denmark,sovereign state and Scandinavian country in northern EuropeUsain Bolt,Jamaican sprinter and soccer player使用异步，总共耗时：126.9002583026886##################################################

显然，异步方法使用了异步和并发两种提速方法，自然在速度有明显提升，大约为一般方法的六分之一。异步方法虽然效率高，但需要掌握异步编程，这需要学习一段时间。

关于异步方法与一般方法在速度上的比较，可以参考文章：利用aiohttp实现异步爬虫。

如果有人觉得127秒的爬虫速度还是慢，可以尝试一下异步代码（与之前的异步代码的区别在于：仅仅使用了正则表达式代替BeautifulSoup来解析网页，以提取网页中的内容）：

import requestsfrom bs4 import BeautifulSoupimport timeimport aiohttpimport asyncioimport re# 开始时间t1 = time.time()print('#' * 50)url = "http://www.wikIData.org/w/index.PHP?Title=Special:WhatlinksHere/Q5&limit=500&from=0"# 请求头部headers = { 'User-Agent': 'Mozilla/5.0 (windows NT 10.0; WOW64) AppleWebKit/537.36 (K@R_404_6832@,"lxml")# 找到name和Description所在的记录human_List = soup.find(ID='mw-whatlinkshere-List')('li')urls = []# 获取网址for human in human_List: url = human.find('a')['href'] urls.append('https://www.wikIData.org' + url)# 异步http请求async def fetch(session,url): async with session.get(url) as response: return await response.text()# 解析网页async def parser(@R_404_6832@): # 利用正则表达式解析网页 try: name = re.findall(r'',@R_404_6832@)[0] desc = re.findall(r'',@R_404_6832@)[0] print('%-40s,%s' % (name,desc)) except Exception as err: pass# 处理网页，获取name和descriptionasync def download(url): async with aiohttp.ClIEntSession() as session: try: @R_404_6832@ = await fetch(session,url) await parser(@R_404_6832@) except Exception as err: print(err)# 利用asyncio模块进行异步IO处理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() # 结束时间print('使用异步（正则表达式），总共耗时：%s' % (t2 - t1))print('#' * 50)

输出的结果如下（省略中间的输出，以……代替)：

##################################################Dejen Gebremeskel,Ethiopian long-distance runnerErik Kynard,American high jumper......Buzz Aldrin,American astronautEgon Krenz,former General Secretary of the SociaList Unity Party of East Germany使用异步（正则表达式），总共耗时：16.521944999694824##################################################

16.5秒，仅仅为一般方法的43分之一，速度如此之快，令人咋舌（感谢某人提供的尝试）。笔者虽然自己实现了异步方法，但用的是BeautifulSoup来解析网页，耗时127秒，没想到使用正则表达式就取得了如此惊人的效果。可见，BeautifulSoup解析网页虽然快，但在异步方法中，还是限制了速度。但这种方法的缺点为，当你需要爬取的内容比较复杂时，一般的正则表达式就难以胜任了，需要另想办法。

爬虫框架Scrapy

最后，我们使用著名的Python爬虫框架Scrapy来解决这个爬虫。我们创建的爬虫项目为wikIDataScrapy，项目结构如下：

wikIDataScrapy项目

在settings.py中设置“ROBOTSTXT_OBEY = False”. 修改items.py，代码如下：

# -*- Coding: utf-8 -*-import scrapyclass WikIDatascrapyItem(scrapy.Item): # define the fIElds for your item here like: name = scrapy.FIEld() desc = scrapy.FIEld()

然后，在spIDers文件夹下新建wikiSpIDer.py，代码如下:

import scrapy.cmdlinefrom wikIDataScrapy.items import WikIDatascrapyItemimport requestsfrom bs4 import BeautifulSoup# 获取请求的500个网址，用requests+BeautifulSoup搞定def get_urls(): url = "http://www.wikIData.org/w/index.PHP?Title=Special:WhatlinksHere/Q5&limit=500&from=0" # 请求头部 headers = { 'User-Agent': 'Mozilla/5.0 (windows NT 10.0; WOW64) AppleWebKit/537.36 (K@R_404_6832@,like Gecko) Chrome/67.0.3396.87 Safari/537.36'} # 发送http请求 req = requests.get(url,headers=headers) # 解析网页 soup = BeautifulSoup(req.text,"lxml") # 找到name和Description所在的记录 human_List = soup.find(ID='mw-whatlinkshere-List')('li') urls = [] # 获取网址 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' # 爬虫名称 start_urls = get_urls() # 需要爬取的500个网址 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# 执行该爬虫，并转化为csv文件scrapy.cmdline.execute(['scrapy','crawl','wikiScrapy','-o','wiki.csv','-t','csv'])

输出结果如下（只包含最后的Scrapy信息总结部分）：

{'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(2018,48,44,58673)}

可以看到，已成功爬取500个网页，耗时31秒，速度也相当OK。再来看一下生成的wiki.csv文件，它包含了所有的输出的name和description，如下图：

输出的CSV文件（部分）

可以看到，输出的CSV文件的列并不是有序的。至于如何解决Scrapy输出的CSV文件有换行的问题，请参考stackoverflow上的回答：https://stackoverflow.com/questions/39477662/scrapy-csv-file-has-uniform-empty-rows/43394566#43394566 。

Scrapy来制作爬虫的优势在于它是一个成熟的爬虫框架，支持异步，并发，容错性较好（比如本代码中就没有处理找不到name和description的情形），但如果需要频繁地修改中间件，则还是自己写个爬虫比较好，而且它在速度上没有超过我们自己写的异步爬虫，至于能自动导出CSV文件这个功能，还是相当实在的。

总结

本文内容较多，比较了4种爬虫方法，每种方法都有自己的利弊，已在之前的陈述中给出，当然，在实际的问题中，并不是用的工具或方法越高级就越好，具体问题具体分析嘛~

本文到此结束，感谢阅读哦~

总结

以上是内存溢出为你收集整理的爬虫真的很简单！我至少可以教你十种不同的爬虫方法！全部内容，希望文章能够帮你解决爬虫真的很简单！我至少可以教你十种不同的爬虫方法！所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。