黑洞HTTP

黑洞HTTP

您的位置: 首页 > 新闻资讯 > HTTP代理 > 正文

网络爬虫代理技巧,提高爬虫的效率

发布时间:2019年04月25日 来源:互联网

  网络爬虫代理技巧,提高爬虫的效率,本文将展示如何利用Python中的异步模块来提高爬虫的效率。


  我们需要爬取的目标为:融360网站上的理财产品信息(https://www.rong360.com/licai-bank/list/p1),页面如下:


  爬虫使用代理ip为黑洞http代理ip.


网络爬虫代理技巧,提高爬虫的效率,本


  融360页面上的理财产品


  我们需要爬取86394条理财产品的信息,每页10条,也就是8640个页面。


  在文章的Python爬虫(16)利用Scrapy爬取银行理财产品信息(共12多万条)中,我们使用爬虫框架Scrapy实现了该爬虫,爬取了127130条数据,并存入MongoDB的,整个过程耗时3小时按道理。来说,使用Scrapy实现爬虫是较好的选择,但是在速度上,是否能有所提升呢?本文将展示如何利用的Python中的异步模块(aiohtpp和ASYNCIO)来提高爬虫的效率。


  爬虫项目


  我们的爬虫分两步走:


  爬取融360网页上的理财产品信息并存入CSV文件;


  读取CSV文件并存入至MySQL的数据库。


  首先,我们爬取融360网页上的理财产品信息并存入CSV文件,我们使用aiohttp和ASYNCIO来加速爬虫,完整的的Python代码如下:


  import re


  import time


  import aiohttp


  import asyncio


  import pandas as pd


  import logging


  # 设置日志格式


  logging.basicConfig(level = logging.INFO, format='%(asctime)s - %(levelname)s: %(message)s')


  logger = logging.getLogger(__name__)


  df = pd.DataFrame(columns=['name', 'bank', 'currency', 'startDate',\


  'endDate', 'period', 'proType', 'profit', 'amount'])


  # 异步HTTP请求


  async def fetch(sem, session, url):


  async with sem:


  headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'}


  async with session.get(url, headers=headers) as response:


  return await response.text()


  # 解析网页


  async def parser(html):


  # 利用正则表达式解析网页


  tbody = re.findall(r"<tbody>[\s\S]*?</tbody>", html)[0]


  trs = re.findall(r"<tr [\s\S]*?</tr>", tbody)


  for tr in trs:


  tds = re.findall(r"<td[\s\S]*?</td>", tr)


  name,bank = re.findall(r'title="(.+?)"', ''.join(tds))


  name = name.replace('&amp;', '').replace('quot;', '')


  currency, startDate, endDate, amount = re.findall(r'<td>(.+?)</td>', ''.join(tds))


  period = ''.join(re.findall(r'<td class="td7">(.+?)</td>', tds[5]))


  proType = ''.join(re.findall(r'<td class="td7">(.+?)</td>', tds[6]))


  profit = ''.join(re.findall(r'<td class="td8">(.+?)</td>', tds[7]))


  df.loc[df.shape[0] + 1] = [name, bank, currency, startDate, endDate, \


  period, proType, profit, amount]


  logger.info(str(df.shape[0])+'\t'+name)


  # 处理网页


  async def download(sem, url):


  async with aiohttp.ClientSession() as session:


  try:


  html = await fetch(sem, session, url)


  await parser(html)


  except Exception as err:


  print(err)


  # 全部网页


  urls = ["https://www.rong360.com/licai-bank/list/p%d"%i for i in range(1, 8641)]


  # 统计该爬虫的消耗时间


  print('*' * 50)


  t3 = time.time()


  # 利用asyncio模块进行异步IO处理


  loop = asyncio.get_event_loop()


  sem=asyncio.Semaphore(100)


  tasks = [asyncio.ensure_future(download(sem, url)) for url in urls]


  tasks = asyncio.gather(*tasks)


  loop.run_until_complete(tasks)


  df.to_csv('E://rong360.csv')


  t4 = time.time()


  print('总共耗时:%s' % (t4 - t3))


  print('*' * 50)


  输出的结果如下(中间的输出已省略,以……代替):


  **************************************************


  2018-10-17 13:33:50,717 - INFO: 10  金百合第245期


  2018-10-17 13:33:50,749 - INFO: 20  金荷恒升2018年第26期


  ......


  2018-10-17 14:03:34,906 - INFO: 86381   翠竹同益1M22期FGAB15015A


  2018-10-17 14:03:35,257 - INFO: 86391   润鑫月月盈2号


  总共耗时:1787.4312353134155


  **************************************************


  可以看到,在这个爬虫中,我们爬取了86391条数据,耗时1787.4秒,不到30分钟。虽然数据比预期的少了3条,但这点损失不算什么。来看一眼CSV文件中的数据:


  CSV文件中的数据


  好的,离我们的目标还差一步,将这个csv文件存入至MySQL,具体的操作方法可参考文章:Python之使用Pandas库实现MySQL数据库的读写:https://www.jianshu.com/p / 238a13995b2b。完整的Python代码如下:


  # -*- coding: utf-8 -*-


  # 导入必要模块


  import pandas as pd


  from sqlalchemy import create_engine


  # 初始化数据库连接,使用pymysql模块


  engine = create_engine('mysql+pymysql://root:******@localhost:33061/test', echo=True)


  print("Read CSV file...")


  # 读取本地CSV文件


  df = pd.read_csv("E://rong360.csv", sep=',', encoding='gb18030')


  # 将新建的DataFrame储存为MySQL中的数据表,不储存index列


  df.to_sql('rong360',


  con=engine,


  index= False,


  index_label='name'


  )


  print("Write to MySQL successfully!")


  输出结果如下(耗时十几秒):


  Read CSV file...


  2018-10-17 15:07:02,447 INFO sqlalchemy.engine.base.Engine SHOW VARIABLES LIKE 'sql_mode'


  2018-10-17 15:07:02,447 INFO sqlalchemy.engine.base.Engine {}


  2018-10-17 15:07:02,452 INFO sqlalchemy.engine.base.Engine SELECT DATABASE()


  2018-10-17 15:07:02,452 INFO sqlalchemy.engine.base.Engine {}


  2018-10-17 15:07:02,454 INFO sqlalchemy.engine.base.Engine show collation where `Charset` = 'utf8mb4' and `Collation` = 'utf8mb4_bin'


  2018-10-17 15:07:02,454 INFO sqlalchemy.engine.base.Engine {}


  2018-10-17 15:07:02,455 INFO sqlalchemy.engine.base.Engine SELECT CAST('test plain returns' AS CHAR(60)) AS anon_1


  2018-10-17 15:07:02,456 INFO sqlalchemy.engine.base.Engine {}


  2018-10-17 15:07:02,456 INFO sqlalchemy.engine.base.Engine SELECT CAST('test unicode returns' AS CHAR(60)) AS anon_1


  2018-10-17 15:07:02,456 INFO sqlalchemy.engine.base.Engine {}


  2018-10-17 15:07:02,457 INFO sqlalchemy.engine.base.Engine SELECT CAST('test collated returns' AS CHAR CHARACTER SET utf8mb4) COLLATE utf8mb4_bin AS anon_1


  2018-10-17 15:07:02,457 INFO sqlalchemy.engine.base.Engine {}


  2018-10-17 15:07:02,458 INFO sqlalchemy.engine.base.Engine DESCRIBE `rong360`


  2018-10-17 15:07:02,458 INFO sqlalchemy.engine.base.Engine {}


  2018-10-17 15:07:02,459 INFO sqlalchemy.engine.base.Engine ROLLBACK


  2018-10-17 15:07:02,462 INFO sqlalchemy.engine.base.Engine


  CREATE TABLE rong360 (


  `Unnamed: 0` BIGINT,


  name TEXT,


  bank TEXT,


  currency TEXT,


  `startDate` TEXT,


  `endDate` TEXT,


  enduration TEXT,


  `proType` TEXT,


  profit TEXT,


  amount TEXT


  )


  2018-10-17 15:07:02,462 INFO sqlalchemy.engine.base.Engine {}


  2018-10-17 15:07:02,867 INFO sqlalchemy.engine.base.Engine COMMIT


  2018-10-17 15:07:02,909 INFO sqlalchemy.engine.base.Engine BEGIN (implicit)


  2018-10-17 15:07:03,973 INFO sqlalchemy.engine.base.Engine INSERT INTO rong360 (`Unnamed: 0`, name, bank, currency, `startDate`, `endDate`, enduration, `proType`, profit, amount) VALUES (%(Unnamed: 0)s, %(name)s, %(bank)s, %(currency)s, %(startDate)s, %(endDate)s, %(enduration)s, %(proType)s, %(profit)s, %(amount)s)


  2018-10-17 15:07:03,974 INFO sqlalchemy.engine.base.Engine ({'Unnamed: 0': 1, 'name': '龙信20183773', 'bank': '龙江银行', 'currency': '人民币', 'startDate': '2018-10-12', 'endDate': '2018-10-14', 'enduration': '99天', 'proType': '不保本', 'profit': '4.8%', 'amount': '5万'}, {'Unnamed: 0': 2, 'name': '福瀛家NDHLCS20180055B', 'bank': '宁波东海银行', 'currency': '人民币', 'startDate': '2018-10-12', 'endDate': '2018-10-17', 'enduration': '179天', 'proType': '保证收益', 'profit': '4.8%', 'amount': '5万'}, {'Unnamed: 0': 3, 'name': '薪鑫乐2018年第6期', 'bank': '无为农商行', 'currency': '人民币', 'startDate': '2018-10-12', 'endDate': '2018-10-21', 'enduration': '212天', 'proType': '不保本', 'profit': '4.8%', 'amount': '5万'}, {'Unnamed: 0': 4, 'name': '安鑫MTLC18165', 'bank': '民泰商行', 'currency': '人民币', 'startDate': '2018-10-12', 'endDate': '2018-10-15', 'enduration': '49天', 'proType': '不保本', 'profit': '4.75%', 'amount': '5万'}, {'Unnamed: 0': 5, 'name': '农银私行·如意ADRY181115A', 'bank': '农业银行', 'currency': '人民币', 'startDate': '2018-10-12', 'endDate': '2018-10-16', 'enduration': '90天', 'proType': '不保本', 'profit': '4.75%', 'amount': '100万'}, {'Unnamed: 0': 6, 'name': '稳健成长(2018)176期', 'bank': '威海市商业银行', 'currency': '人民币', 'startDate': '2018-10-12', 'endDate': '2018-10-15', 'enduration': '91天', 'proType': '不保本', 'profit': '4.75%', 'amount': '5万'}, {'Unnamed: 0': 7, 'name': '季季红J18071', 'bank': '温州银行', 'currency': '人民币', 'startDate': '2018-10-12', 'endDate': '2018-10-16', 'enduration': '96天', 'proType': '不保本', 'profit': '4.75%', 'amount': '1万'}, {'Unnamed: 0': 8, 'name': '私人银行客户84618042', 'bank': '兴业银行', 'currency': '人民币', 'startDate': '2018-10-12', 'endDate': '2018-10-17', 'enduration': '99天', 'proType': '不保本', 'profit': '4.75%', 'amount': '50万'}  ... displaying 10 of 86391 total bound parameter sets ...  {'Unnamed: 0': 86390, 'name': '润鑫月月盈3号RX1M003', 'bank': '珠海华润银行', 'currency': '人民币', 'startDate': '2015-06-24', 'endDate': '2015-06-30', 'enduration': '35天', 'proType': '不保本', 'profit': '4.5%', 'amount': '5万'}, {'Unnamed: 0': 86391, 'name': '润鑫月月盈2号', 'bank': '珠海华润银行', 'currency': '人民币', 'startDate': '2015-06-17', 'endDate': '2015-06-23', 'enduration': '35天', 'proType': '不保本', 'profit': '4.4%', 'amount': '5万'})


  2018-10-17 15:07:14,106 INFO sqlalchemy.engine.base.Engine COMMIT


  Write to MySQL successfully!


  如果你还不放心,也许我们可以看一眼的MySQL中的数据:


  MySQL的中的数据


  总结


  让我们来比较该爬虫与使用Scrapy的爬虫。使用废料用的爬虫爬取了127130条数据,耗时3小时,该爬虫爬取86391条数据,耗时半小时。如果是同样的数据量,那么Scrapy爬取86391条数据耗时约2小时,该爬虫仅用了Scrapy爬虫的四分之一的时间就出色地完成了任务。


  最后,让我们看看前十名的银行及理财产品数量(按理财产品数量从高到低排列),输入以下命令的MySQL:


  use test;


  SELECT bank, count(*) as product_num


  FROM rong360


  GROUP BY bank


  ORDER BY product_num DESC


  LIMIT 10;


  输出结果如下:


相关文章内容简介

1 网络爬虫代理技巧,提高爬虫的效率

  网络爬虫代理技巧,提高爬虫的效率,本文将展示如何利用Python中的异步模块来提高爬虫的效率。  我们需要爬取的目标为:融360网站上的理财产品信息(https://www.rong360.com/licai-bank/list/p1),页面如下:  爬虫使用代理ip为黑洞http代理ip.  融360页面上的理财产品  我们需要爬取86394条理财产品的信息,每页10条,也就是8640个页面。  在文章的Python爬虫(16)利用Scrapy爬取银行理财产品信息(共12多万条)中,我们使用爬虫框架Scrapy实现了该爬虫,爬取了127130条数据,并存入MongoDB的,整个过程耗时3小时按道理。来说,使用Scrapy实现爬虫是较好的选择,但是在速度上,是否能有所提升呢?本文将展示如何利用的Python中的异步模块(aiohtpp和ASYNCIO)来提高爬虫的效率。  爬虫项目   [阅读全文]

热门标签

最新标签

推荐阅读

  1. 13

    2019-08

    关于代理服务器或应用程序网关

    代理服务器 的使用范围从保护企业网络到帮助学生绕过学校互联网过滤器。您不需要了解代理如何工作,但在网上冲浪时可能会遇到“代理地址”和“代理端口”这两个术语。如果您希望将浏

  2. 19

    2019-11

    Python工作中代理IP担任什么角色?

    目前,中国的互联网大军正在不断壮大,各种各样依托互联网的新兴行业正在兴起,哪怕是很多传统行业,为了抢占竞争的制高点,也将跟友商之间的竞争搬到了互联网平台之上。

  3. 29

    2019-08

    论换ip对seo的作用

    修改ip也就是更改设备的换ip,可以称为网络代理,是一种特殊的网络服务,允许一个网络终端(一般为客户端)通过这个代理中转与另一个网络终端(一般为服务器)进行数据传输。一般认为

  4. 20

    2019-06

    使用代理IP后返回空,为什么不能全部都成功

    很多朋友在网络工作中经常会碰到各种各样的问题,比如访问某网站加载太慢,多刷新了几次被提示访问太频繁IP被限制;有的网站注册了几个账号后提示当前IP最多只能注册3个账号或者直接封

  5. 11

    2019-07

    质量差的http代理对爬虫有什么危害?

    现在爬虫已经成了获取数据的必不可少的方式,在使用爬虫多次爬取同一网站时,经常会被网站的IP反爬虫机制给禁掉,为了解决封禁IP的问题,一般是使用http代理,使用代理之后可以让爬虫伪

  6. 18

    2019-10

    什么情况下可以使用免费代理ip?

    近几年来移动互联网各种各样免费 代理IP 的发布吸引了不少人的注意,说到底什么叫免费代理IP呢?简洁明了的讲代理IP指的是 代理服务器 ,它来源于于网络连接的中间段,安全使用代理IP就可