問題的由來
前幾天，在微信公眾號（Python爬蟲及算法）上有個人問了筆者一個問題，如何利用爬蟲來實現如下的需求，需要爬取的網頁如下（網址為：https://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0）：
我們的需求為爬取紅色框框內的名人（有500條記錄，圖片只展示了一部分）的 名字以及其介紹，關於其介紹，點擊該名人的名字即可，如下圖：
這就意味着我們需要爬取500個這樣的頁面，即500個HTTP請求（暫且這么認為吧），然后需要提取這些網頁中的名字和描述，當然有些不是名人，也沒有描述，我們可以跳過。最后，這些網頁的網址在第一頁中的名人后面可以找到，如George Washington的網頁后綴為Q23.
爬蟲的需求大概就是這樣。
爬蟲的4種姿勢
首先，分析來爬蟲的思路：先在第一個網頁（https://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0）中得到500個名人所在的網址，接下來就爬取這500個網頁中的名人的名字及描述，如無描述，則跳過。
接下來，我們將介紹實現這個爬蟲的4種方法，並分析它們各自的優缺點，希望能讓讀者對爬蟲有更多的體會。實現爬蟲的方法為：
- 一般方法（同步，requests+BeautifulSoup）
- 並發（使用concurrent.futures模塊以及requests+BeautifulSoup）
- 異步（使用aiohttp+asyncio+requests+BeautifulSoup）
- 使用框架Scrapy
一般方法
一般方法即為同步方法，主要使用requests+BeautifulSoup，按順序執行。完整的Python代碼如下：
輸出的結果如下(省略中間的輸出，以…代替)：
使用同步方法，總耗時約725秒，即12分鍾多。
一般方法雖然思路簡單，容易實現，但效率不高，耗時長。那么，使用並發試試看。
並發方法
並發方法使用多線程來加速一般方法，我們使用的並發模塊為concurrent.futures模塊，設置多線程的個數為20個（實際不一定能達到，視計算機而定）。完整的Python代碼如下：
輸出的結果如下（省略中間的輸出，以…代替)：
使用多線程並發后的爬蟲執行時間約為227秒，大概是一般方法的三分之一的時間，速度有了明顯的提升啊！多線程在速度上有明顯提升，但執行的網頁順序是無序的，在線程的切換上開銷也比較大，線程越多，開銷越大。
關於多線程與一般方法在速度上的比較，可以參考文章：Python爬蟲之多線程下載豆瓣Top250電影圖片。
異步方法
異步方法在爬蟲中是有效的速度提升手段，使用aiohttp可以異步地處理HTTP請求，使用asyncio可以實現異步IO，需要注意的是，aiohttp只支持3.5.3以后的Python版本。使用異步方法實現該爬蟲的完整Python代碼如下：
輸出結果如下（省略中間的輸出，以…代替)：
顯然，異步方法使用了異步和並發兩種提速方法，自然在速度有明顯提升，大約為一般方法的六分之一。異步方法雖然效率高，但需要掌握異步編程，這需要學習一段時間。
關於異步方法與一般方法在速度上的比較，可以參考文章：利用aiohttp實現異步爬蟲。
如果有人覺得127秒的爬蟲速度還是慢，可以嘗試一下異步代碼（與之前的異步代碼的區別在於：僅僅使用了正則表達式代替BeautifulSoup來解析網頁，以提取網頁中的內容）：
輸出的結果如下（省略中間的輸出，以…代替)：
16.5秒，僅僅為一般方法的43分之一，速度如此之快，令人咋舌（感謝某人提供的嘗試）。筆者雖然自己實現了異步方法，但用的是BeautifulSoup來解析網頁，耗時127秒，沒想到使用正則表達式就取得了如此驚人的效果。可見，BeautifulSoup解析網頁雖然快，但在異步方法中，還是限制了速度。但這種方法的缺點為，當你需要爬取的內容比較復雜時，一般的正則表達式就難以勝任了，需要另想辦法。
爬蟲框架Scrapy
最后，我們使用著名的Python爬蟲框架Scrapy來解決這個爬蟲。我們創建的爬蟲項目為wikiDataScrapy，項目結構如下：
在settings.py中設置“ROBOTSTXT_OBEY = False”. 修改items.py，代碼如下：
然后，在spiders文件夾下新建wikiSpider.py，代碼如下:
輸出結果如下（只包含最后的Scrapy信息總結部分）：
可以看到，已成功爬取500個網頁，耗時31秒，速度也相當OK。再來看一下生成的wiki.csv文件，它包含了所有的輸出的name和description，如下圖：
可以看到，輸出的CSV文件的列並不是有序的。至於如何解決Scrapy輸出的CSV文件有換行的問題，請參考stackoverflow上的回答：https://stackoverflow.com/questions/39477662/scrapy-csv-file-has-uniform-empty-rows/43394566#43394566 。
Scrapy來制作爬蟲的優勢在於它是一個成熟的爬蟲框架，支持異步，並發，容錯性較好（比如本代碼中就沒有處理找不到name和description的情形），但如果需要頻繁地修改中間件，則還是自己寫個爬蟲比較好，而且它在速度上沒有超過我們自己寫的異步爬蟲，至於能自動導出CSV文件這個功能，還是相當實在的。
總結
本文內容較多，比較了4種爬蟲方法，每種方法都有自己的利弊，已在之前的陳述中給出，當然，在實際的問題中，並不是用的工具或方法越高級就越好，具體問題具體分析嘛~
本文到此結束，感謝閱讀哦~
此文轉載文，著作權歸作者所有，如有侵權聯系小編刪除！
原文地址：https://blog.csdn.net/jclian91/article/details/83095306
需要源代碼或者想了解更多點擊這里下載