Question

我是python的初学者，我只是想使用模块requests和BeautifulSoup来抓取网页，我对此Website提出了要求。

和我的简单代码：

import requests, time, re, json
from bs4 import BeautifulSoup as BS

url = "https://www.jobstreet.co.id/en/job-search/job-vacancy.php?ojs=6"

def list_jobs():
    try:
        with requests.session() as s:
            st = time.time()
            s.headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0'}
            req = s.get(url)
            soup = BS(req.text,'html.parser')
            attr = soup.findAll('div',class_='position-title header-text')
            pttr = r".?(.*)Rank=\d+"
            lists = {"status":200,"result":[]}
            for a in attr:
                sr = re.search(pttr, a.find("a")["href"])
                if sr:
                    title = a.find('a')['title'].replace("Lihat detil lowongan -","").replace("\r","").replace("\n","")
                    url = a.find('a')['href']
                    lists["result"].append({
                        "title":title,
                        "url":url,
                        "detail":detail_jobs(url)
                    })
            print(json.dumps(lists, indent=4))
            end = time.time() - st
            print(f"\n{end} second")
    except:
        pass

def detail_jobs(find_url):
    try:
        with requests.session() as s:
            s.headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0'}
            req = s.get(find_url)
            soup = BS(req.text,'html.parser')
            position = soup.find('h1',class_='job-position').text
            name = soup.find('div',class_='company_name').text.strip("\t")
            try:
                addrs = soup.find('div',class_='map-col-wraper').find('p',{'id':'address'}).text
            except Exception:
                addrs = "Unknown"
            try:
                loct = soup.find('span',{'id':'single_work_location'}).text
            except Exception:
                loct = soup.find('span',{'id':'multiple_work_location_list'}).find('span',{'class':'show'}).text        
            dests = soup.findAll('div',attrs={'id':'job_description'})
            for select in dests:
                txt = select.text if not select.text.startswith("\n") or not select.text.endswith("\n") else select.text.replace("\n","")
                result = {
                    "name":name,
                    "location":loct,
                    "position":position,
                    "description":txt,
                    "address":addrs
                }
                return result
    except:
        pass

它们都运作良好，但是要花很长时间才能显示结果时间始终在13/17秒以上

我不知道如何提高请求速度

我尝试在堆栈和Google上进行搜索，他们说使用asyncio，但这种方式对我来说很难。

如果有人有简单的技巧，如何通过简单的操作来提高速度，我非常感激..

对不起，我英语不好

Answer 1

瓶颈是服务器对简单请求的响应缓慢。

尝试并行执行请求。

您也可以使用线程代替asyncio。这是一个先前的问题，解释了如何并行处理Python中的任务：

Executing tasks in parallel in python

请注意，如果您未经许可进行抓取，配置灵巧的服务器仍然会减慢您的请求或禁止您访问。

Answer 2

通过诸如Web抓取之类的项目学习Python很棒。这就是我被介绍给Python的方式。也就是说，要提高报废速度，您可以做三件事：

将html解析器更改为更快的内容。 html.parser是最慢的。尝试更改为“ lxml”或“ html5lib”。（阅读https://www.crummy.com/software/BeautifulSoup/bs4/doc/）

在循环和正则表达式减慢脚本速度时将它们放下。只需使用BeautifulSoup工具，文本和标签条，然后找到正确的标签即可。（请参见下面的脚本）
由于Web抓取的瓶颈通常是IO，因此等待使用异步或多线程从网页获取数据将提高速度。在下面的脚本中，我使用了多线程。目的是同时从多个页面中提取数据。

因此，如果我们知道最大页面数，则可以将请求分块到不同的范围，然后分批提取它们：)

代码示例：

from collections import defaultdict
from concurrent.futures import ThreadPoolExecutor
from datetime import datetime

import requests
from bs4 import BeautifulSoup as bs

data = defaultdict(list)

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0'}

def get_data(data, headers, page=1):

    # Get start time
    start_time = datetime.now()
    url = f'https://www.jobstreet.co.id/en/job-search/job-vacancy/{page}/?src=20&srcr=2000&ojs=6'
    r = requests.get(url, headers=headers)

    # If the requests is fine, proceed
    if r.ok:
        jobs = bs(r.content,'lxml').find('div',{'id':'job_listing_panel'})
        data['title'].extend([i.text.strip() for i in jobs.find_all('div',{'class':'position-title header-text'})])
        data['company'].extend([i.text.strip() for i in jobs.find_all('h3',{'class':'company-name'})])
        data['location'].extend([i['title'] for i in jobs.find_all('li',{'class':'job-location'})] )
        data['desc'].extend([i.text.strip() for i in jobs.find_all('ul',{'class':'list-unstyled hidden-xs '})])
    else:
        print('connection issues')
    print(f'Page: {page} | Time taken {datetime.now()-start_time}')
    return data


def multi_get_data(data,headers,start_page=1,end_page=20,workers=20):
    start_time = datetime.now()
    # Execute our get_data in multiple threads each having a different page number
    with ThreadPoolExecutor(max_workers=workers) as executor:
        [executor.submit(get_data, data=data,headers=headers,page=i) for i in range(start_page,end_page+1)]

    print(f'Page {start_page}-{end_page} | Time take {datetime.now() -     start_time}')
    return data


# Test page 10-15
k = multi_get_data(data,headers,start_page=10,end_page=15)

结果：

解释multi_get_data函数：

此函数将在传递所需参数的不同线程中调用get_data函数。此刻，每个线程获得一个不同的页码来调用。工人的最大数量设置为20，即20个线程。您可以相应地增加或减少。

我们创建了变量数据，这是一个默认的字典，用于接收列表。所有线程都将填充此数据。然后可以将此变量转换为json或Pandas DataFrame：）

如您所见，我们有5个请求，每个请求所用的时间少于2秒，但总数仍不到2秒；）

享受网页抓取。

Answer 3

这是我的建议，是编写具有良好体系结构的代码并将其划分为功能并编写较少的代码。这是使用请求的示例之一：

RewriteRule . - [E=REWRITEBASE:/your_subdirectory/]

在需要花费时间的要点上调试代码，找出它们并在此处进行讨论。这样可以帮助您解决问题。

Answer 4

尝试使用scrapy，它将为您处理网站交流（请求/响应）。

如果您提出许多要求，您将被屏蔽，他们正在使用Cloudflare产品

如何使用“ requests”模块python进行简单的快速请求？

4 个答案: