Question

我有一个代码，可以使用查询和时间范围（最长可达一年）从此newspaper检索新闻结果。

结果每页分页最多10篇，因为我找不到增加它的方法，我发出每个页面的请求，然后检索每篇文章的标题，网址和日期。每个周期（HTTP请求和解析）需要30秒到一分钟，这非常慢。最终它将以500的响应代码停止。我想知道是否有办法加速它或者可能一次发出多个请求。我只是想在所有页面中检索文章的详细信息。这是代码：

    import requests
    import re
    from bs4 import BeautifulSoup
    import csv

    URL = 'http://www.gulf-times.com/AdvanceSearchNews.aspx?Pageindex={index}&keywordtitle={query}&keywordbrief={query}&keywordbody={query}&category=&timeframe=&datefrom={datefrom}&dateTo={dateto}&isTimeFrame=0'


    def run(**params):
        countryFile = open("EgyptDaybyDay.csv","a")
        i=1
        results = True
        while results:
                    params["index"]=str(i)
                    response = requests.get(URL.format(**params))
                    print response.status_code
                    htmlFile = BeautifulSoup(response.content)
                    articles = htmlFile.findAll("div", { "class" : "newslist" })

                    for article in articles:
                                url =  (article.a['href']).encode('utf-8','ignore')
                                title = (article.img['alt']).encode('utf-8','ignore')
                                dateline = article.find("div",{"class": "floatright"})
                                m = re.search("([0-9]{2}\-[0-9]{2}\-[0-9]{4})", dateline.string)
                                date =  m.group(1)
                                w = csv.writer(countryFile,delimiter=',',quotechar='|', quoting=csv.QUOTE_MINIMAL)
                                w.writerow((date, title, url ))

                    if not articles:
                                results = False
                    i+=1
        countryFile.close()


    run(query="Egypt", datefrom="12-01-2010", dateto="12-01-2011")

Answer 1

最可能减慢的是服务器，因此并行化http请求将是使代码运行更快的最佳方式，尽管您可以做的很少，以加快服务器响应。在IBM处有一个很好的教程来完成这个

Answer 2

这是试用gevent的好机会。

您应该为request.get部分设置一个单独的例程，以便您的应用程序不必等待IO阻塞。

然后，您可以生成多个工作人员并拥有队列来传递请求和文章。也许类似的东西：

import gevent.monkey
from gevent.queue import Queue
from gevent import sleep
gevent.monkey.patch_all()

MAX_REQUESTS = 10

requests = Queue(MAX_REQUESTS)
articles = Queue()

mock_responses = range(100)
mock_responses.reverse()

def request():
    print "worker started"
    while True:
        print "request %s" % requests.get()
        sleep(1)

        try:
            articles.put('article response %s' % mock_responses.pop())
        except IndexError:
            articles.put(StopIteration)
            break

def run():
    print "run"

    i = 1
    while True:
        requests.put(i)
        i += 1

if __name__ == '__main__':
    for worker in range(MAX_REQUESTS):
        gevent.spawn(request)

    gevent.spawn(run)
    for article in articles:
        print "Got article: %s" % article

Answer 3

在我看来，你正在寻找一份报纸，该报纸没有做广告。然而，这是一个以前已经解决的问题 - 有许多网站会为您为任意网站生成供稿，从而至少解决您的一个问题。其中一些需要一些人为指导，而另一些则需要更少的调整机会，而且更自动。

如果你完全可以避免分页并解析自己，我会推荐它。如果你不能，我为了简单起见，我使用gevent。也就是说，如果他们将你送回500，你的代码可能不是一个问题，增加并行性可能无济于事。

Answer 4

您可以尝试异步拨打所有电话。

看看这个： http://pythonquirks.blogspot.in/2011/04/twisted-asynchronous-http-request.html

你也可以使用gevent而不是扭曲但只是告诉你选项。

Answer 5

这很可能接近你正在寻找的东西。

Ideal method for sending multiple HTTP requests over Python? [duplicate]

源代码： https://github.com/kennethreitz/grequests

加速HTTP请求python和500错误

5 个答案: