如何使用“请求”模块python进行简单的快速请求？

Question

我是python的初学者，我只是想用requests和BeautifulSoup这个Website模块来抓取网页。

还有我的简单代码：

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

它们都运行良好，但需要很长时间才能显示结果时间总是在 13/17 秒以上

我不知道如何提高我的请求速度

我尝试在堆栈和谷歌上搜索，他们说使用 asyncio 但对我来说很难。

如果有人有简单的技巧如何通过简单的操作来提高速度，我很感激..

对不起，我的英语不好

Answer 1

通过网页抓取等项目学习 Python 非常棒。这就是我被介绍给 Python 的方式。也就是说，要提高抓取速度，您可以做三件事：

1. 将 html 解析器更改为更快的值。 'html.parser' 是其中最慢的。尝试更改为“lxml”或“html5lib”。 （阅读https://www.crummy.com/software/BeautifulSoup/bs4/doc/）

1. 删除循环和正则表达式，因为它们会减慢您的脚本。只需使用 BeautifulSoup 工具、文本和条带，并找到正确的标签。（请参阅下面的脚本）

2. 由于网页抓取的瓶颈通常是 IO，等待从网页获取数据，使用异步或多线程将提高速度。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，我们可以将我们的请求分块到不同的范围并分批拉取它们:)

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：

此函数将在不同线程中调用 get_data 函数并传递所需的参数。目前，每个线程都有一个不同的页码来调用。最大工作线程数设置为 20，即 20 个线程。您可以相应地增加或减少。

我们创建了可变数据，一个默认字典，它包含列表。所有线程都将填充这些数据。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，每个请求用时不到 2 秒，但总数仍不到 2 秒；）

享受网页抓取。

更新_：22/12/2019

我们还可以通过使用带有单个标头更新的会话来获得一些速度。所以我们不必在每次通话时都开始会话。

from requests import Session

s = Session()
headers = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) '\
                         'AppleWebKit/537.36 (KHTML, like Gecko) '\
                         'Chrome/75.0.3770.80 Safari/537.36'}
# Add headers
s.headers.update(headers)

# we can use s as we do requests
# s.get(...)
...

Answer 2

尝试使用scrapy，它将为您处理网站通信（请求/响应）。

如果您提出许多请求，您将被阻止，他们正在使用Cloudflare 产品

Answer 3

这是我的建议，即编写具有良好架构的代码并将其划分为函数并编写更少的代码。这是使用请求的示例之一：

from requests import get
from requests.exceptions import RequestException
from contextlib import closing
from bs4 import BeautifulSoup

def simple_get(url):
    """
    Attempts to get the content at `url` by making an HTTP GET request.
    If the content-type of response is some kind of HTML/XML, return the
    text content, otherwise return None.
    """
    try:
        with closing(get(url, stream=True)) as resp:
            if is_good_response(resp):
                return resp.content
            else:
                return None

    except RequestException as e:
        log_error('Error during requests to {0} : {1}'.format(url, str(e)))
        return None


def is_good_response(resp):
    """
    Returns True if the response seems to be HTML, False otherwise.
    """
    content_type = resp.headers['Content-Type'].lower()
    return (resp.status_code == 200 
            and content_type is not None 
            and content_type.find('html') > -1)


def log_error(e):
    """
    It is always a good idea to log errors. 
    This function just prints them, but you can
    make it do anything.
    """
    print(e)

在需要时间的地方调试您的代码并找出它们并在此处讨论。这样可以帮助您解决问题。

Answer 4

瓶颈是服务器对简单请求的响应缓慢。

尝试并行请求。

您也可以使用线程来代替 asyncio。以下是 Python 中并行任务的前一个问题解释：

Executing tasks in parallel in python

请注意，如果您在未经许可的情况下进行抓取，智能配置的服务器仍会减慢您的请求或禁止您。