Python爬虫实战入门六:提高爬虫效率—并发爬取智联招聘

之前文章中所介绍的爬虫都是对单个URL进行解析和爬取,url数量少不费时,但是如果我们需要爬取的网页url有成千上万或者更多,那怎么办?

使用for循环对所有的url进行遍历访问?

嗯,想法很好,但是如果url过多,爬取完所有的数据会不会太过于耗时了?

对此我们可以使用并发来对URL进行访问以爬取数据。

一般而言,在单机上我们使用三种并发方式:

多线程(threading)

多进程(multiprocessing)

协程(gevent)

对于以上三种方法的具体概念解释和说明,各位可以自行网上搜索了解,相信会比我解释得清楚,所以在此就不对它们进行解释说明了。

本系列文章有两个重点,一个是实战,一个是入门,既为实战,理论性的东西就描述得比较少;既为入门,所讲述的都是简单易懂易操作的东西,高深的技术还请入门之后自行探索,那样也会成长得更快。

那么下面,开始并发爬取的实战入门,以多进程为例,并发爬取智联招聘的招聘信息。

一、分析URL和页面结构

1、搜索全国范围内职位名包含“Python”的职位招聘

我们不分职业类别、不分行业类别,工作地点选为全国,职位名为“Python”,对招聘信息进行搜索,结果如下图:

我们注意图中三个红框的信息:

搜索结果的url结构;(构造url地址进行for循环遍历)

搜索结果的条数;(判断url的数量)

采集的信息的主体;(解析数据)

通过筛选url参数,我们确定了需要爬取的基本URL为:

1http://sou.zhaopin.com/jobs/searchresult.ashx?jl=全国&kw=python&kt=3&p=2

其中

http://sou.zhaopin.com/jobs/searchresult.ashx

为请求地址和目录

jl:工作地点参数

kw:搜索的关键字

kt:以职位名搜索

p:页数

我们可以发现,除了页数会变化之外,其余的参数值都是固定的值。我们来确定一下搜索结果的总页数。

因为网页上有提示一共有多少个职位满足条件,我们拿总职位数除以单页显示的职位数量即可知道搜索结果的页数。

# coding:utf-8


import requests

from bs4 import BeautifulSoup

import re


url = 'http://sou.zhaopin.com/jobs/searchresult.ashx?jl=全国&kw=python&p=1&kt=3'

wbdata = requests.get(url).content

soup = BeautifulSoup(wbdata, 'lxml')


items = soup.select("div#newlist_list_content_table > table")

count = len(items) - 1

# 每页职位信息数量

print(count)


job_count = re.findall(r"共(.*?)个职位满足条件", str(soup))[0]

# 搜索结果页数

pages = (int(job_count) // count) + 1

print(pages)

结果返回每页60条职位信息,一共有14页。

那么我们的待爬取的url地址就有14个,url地址中参数p的值分别从1到14,这么少的url,使用for循环也可以很快完成,但在此我们使用多进程进行演示。

二、在爬虫中使用多进程

先上代码:

# coding:utf-8


import requests

from bs4 import BeautifulSoup

from multiprocessing import Pool


def get_zhaopin(page):

    url = 'http://sou.zhaopin.com/jobs/searchresult.ashx?jl=全国&kw=python&p={0}&kt=3'.format(page)

    print("第{0}页".format(page))

    wbdata = requests.get(url).content

    soup = BeautifulSoup(wbdata,'lxml')


    job_name = soup.select("table.newlist > tr > td.zwmc > div > a")

    salarys = soup.select("table.newlist > tr > td.zwyx")

    locations = soup.select("table.newlist > tr > td.gzdd")

    times = soup.select("table.newlist > tr > td.gxsj > span")


    for name, salary, location, time in zip(job_name, salarys, locations, times):

        data = {

            'name': name.get_text(),

            'salary': salary.get_text(),

            'location': location.get_text(),

            'time': time.get_text(),

        }

        print(data)


if __name__ == '__main__':

    pool = Pool(processes=2)

    pool.map_async(get_zhaopin,range(1,pages+1))

    pool.close()

    pool.join()

结果如下:


因为除了使用了多进程之外,其他的代码与之前文章介绍的方法大同小异,所以在此只介绍一下多进程的核心代码:

1from multiprocessing import Pool

multiprocessing是Python自带的一个多进程模块,在此我们使用其Pool方法。

if __name__ == '__main__':

    pool = Pool(processes=2)

    pool.map_async(get_zhaopin,range(1,pages+1))

    pool.close()

    pool.join()

实例化一个进程池,设置进程为2;

调用进程池的map_async()方法,接收一个函数(爬虫函数)和一个列表(url列表)

如此,在爬虫中使用多进程进行并发爬取就搞定了,更多高级、复杂强大的方法,还请各位参考其他文档资料。

如果你也也在学习Python,推荐你关系下我的微信公众号:Python学习部落,更多资源与教程与你共享。

你可能感兴趣的:(Python爬虫实战入门六:提高爬虫效率—并发爬取智联招聘)