哦！Python爬虫的这4种方法优缺点你知道吗？
问题的由来
前几天，在微信公众号（Python爬虫及算法）上有个人问了笔者一个问题，如何利用爬虫来实现如下的需求，需要爬取的网页如下（网址为：https://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0）：
我们的需求为爬取红色框框内的名人（有500条记录，图片只展示了一部分）的 名字以及其介绍，关于其介绍，点击该名人的名字即可，如下图：
这就意味着我们需要爬取500个这样的页面，即500个HTTP请求（暂且这么认为吧），然后需要提取这些网页中的名字和描述，当然有些不是名人，也没有描述，我们可以跳过。最后，这些网页的网址在第一页中的名人后面可以找到，如George Washington的网页后缀为Q23.
爬虫的需求大概就是这样。
爬虫的4种姿势
首先，分析来爬虫的思路：先在第一个网页（https://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0）中得到500个名人所在的网址，接下来就爬取这500个网页中的名人的名字及描述，如无描述，则跳过。
接下来，我们将介绍实现这个爬虫的4种方法，并分析它们各自的优缺点，希望能让读者对爬虫有更多的体会。实现爬虫的方法为：
- 一般方法（同步，requests+BeautifulSoup）
- 并发（使用concurrent.futures模块以及requests+BeautifulSoup）
- 异步（使用aiohttp+asyncio+requests+BeautifulSoup）
- 使用框架Scrapy
一般方法
一般方法即为同步方法，主要使用requests+BeautifulSoup，按顺序执行。完整的Python代码如下：
输出的结果如下(省略中间的输出，以…代替)：
使用同步方法，总耗时约725秒，即12分钟多。
一般方法虽然思路简单，容易实现，但效率不高，耗时长。那么，使用并发试试看。
并发方法
并发方法使用多线程来加速一般方法，我们使用的并发模块为concurrent.futures模块，设置多线程的个数为20个（实际不一定能达到，视计算机而定）。完整的Python代码如下：
输出的结果如下（省略中间的输出，以…代替)：
使用多线程并发后的爬虫执行时间约为227秒，大概是一般方法的三分之一的时间，速度有了明显的提升啊！多线程在速度上有明显提升，但执行的网页顺序是无序的，在线程的切换上开销也比较大，线程越多，开销越大。
关于多线程与一般方法在速度上的比较，可以参考文章：Python爬虫之多线程下载豆瓣Top250电影图片。
异步方法
异步方法在爬虫中是有效的速度提升手段，使用aiohttp可以异步地处理HTTP请求，使用asyncio可以实现异步IO，需要注意的是，aiohttp只支持3.5.3以后的Python版本。使用异步方法实现该爬虫的完整Python代码如下：
输出结果如下（省略中间的输出，以…代替)：
显然，异步方法使用了异步和并发两种提速方法，自然在速度有明显提升，大约为一般方法的六分之一。异步方法虽然效率高，但需要掌握异步编程，这需要学习一段时间。
关于异步方法与一般方法在速度上的比较，可以参考文章：利用aiohttp实现异步爬虫。
如果有人觉得127秒的爬虫速度还是慢，可以尝试一下异步代码（与之前的异步代码的区别在于：仅仅使用了正则表达式代替BeautifulSoup来解析网页，以提取网页中的内容）：
输出的结果如下（省略中间的输出，以…代替)：
16.5秒，仅仅为一般方法的43分之一，速度如此之快，令人咋舌（感谢某人提供的尝试）。笔者虽然自己实现了异步方法，但用的是BeautifulSoup来解析网页，耗时127秒，没想到使用正则表达式就取得了如此惊人的效果。可见，BeautifulSoup解析网页虽然快，但在异步方法中，还是限制了速度。但这种方法的缺点为，当你需要爬取的内容比较复杂时，一般的正则表达式就难以胜任了，需要另想办法。
爬虫框架Scrapy
最后，我们使用著名的Python爬虫框架Scrapy来解决这个爬虫。我们创建的爬虫项目为wikiDataScrapy，项目结构如下：
在settings.py中设置“ROBOTSTXT_OBEY = False”. 修改items.py，代码如下：
然后，在spiders文件夹下新建wikiSpider.py，代码如下:
输出结果如下（只包含最后的Scrapy信息总结部分）：
可以看到，已成功爬取500个网页，耗时31秒，速度也相当OK。再来看一下生成的wiki.csv文件，它包含了所有的输出的name和description，如下图：
可以看到，输出的CSV文件的列并不是有序的。至于如何解决Scrapy输出的CSV文件有换行的问题，请参考stackoverflow上的回答：https://stackoverflow.com/questions/39477662/scrapy-csv-file-has-uniform-empty-rows/43394566#43394566 。
Scrapy来制作爬虫的优势在于它是一个成熟的爬虫框架，支持异步，并发，容错性较好（比如本代码中就没有处理找不到name和description的情形），但如果需要频繁地修改中间件，则还是自己写个爬虫比较好，而且它在速度上没有超过我们自己写的异步爬虫，至于能自动导出CSV文件这个功能，还是相当实在的。
总结
本文内容较多，比较了4种爬虫方法，每种方法都有自己的利弊，已在之前的陈述中给出，当然，在实际的问题中，并不是用的工具或方法越高级就越好，具体问题具体分析嘛~
本文到此结束，感谢阅读哦~
此文转载文，著作权归作者所有，如有侵权联系小编删除！
原文地址：https://blog.csdn.net/jclian91/article/details/83095306
需要源代码或者想了解更多点击这里下载
