如何提高 Python 爬虫效率

一、使用多线程或多进程进行并发爬取

爬取网页是一个 IO 密集型的任务，使用多线程或多进程可以充分利用 CPU 资源，提高爬虫的效率。多线程适用于 IO 操作较多的情况，可以用来同时发送网络请求、解析 HTML 等操作；而多进程适用于 CPU 密集型的任务，可以同时处理多个子进程的运行，提高整体处理速度。

<pre class="line-numbers language-python"><code class="language-python"><span aria-hidden="true" class="line-numbers-rows"><span></span></span>
import threading

def spider(url):
    # 爬取代码部分
    pass

def main():
    urls = ['https://example.com', 'https://example.net', 'https://example.org']
    threads = []

    for url in urls:
        t = threading.Thread(target=spider, args=(url,))
        t.start()
        threads.append(t)

    for t in threads:
        t.join()

if __name__ == "__main__":
    main()
</code></pre>
Plain text

二、使用合适的网络请求库

选择合适的网络请求库可以提高爬虫的效率。Python 中常用的网络请求库有 requests、urllib 等。requests 库是一个功能强大且易用的库，它基于 urllib3 库，支持连接池、会话等特性，能够更好地管理网络请求，减少重复连接、减少网络延迟。

此外，使用异步网络请求库，如 aiohttp、twisted 等，也可以提高爬虫的效率。异步网络请求库利用事件循环机制，能够同时处理多个请求，充分利用网络资源。

<pre class="line-numbers language-python"><code class="language-python"><span aria-hidden="true" class="line-numbers-rows"><span></span></span>
import requests
import asyncio
import aiohttp

def sync_spider(url):
    response = requests.get(url)
    # 解析页面代码部分
    pass

async def async_spider(url):
    async with aiohttp.ClientSession() as session:
        async with session.get(url) as response:
            # 解析页面代码部分
            pass

def main():
    urls = ['https://example.com', 'https://example.net', 'https://example.org']

    # 同步请求
    for url in urls:
        sync_spider(url)

    # 异步请求
    loop = asyncio.get_event_loop()
    tasks = [async_spider(url) for url in urls]
    loop.run_until_complete(asyncio.wait(tasks))
    loop.close()

if __name__ == "__main__":
    main()
</code></pre>
Plain text

三、使用缓存机制减少重复请求

对于一些静态内容的网页，可以使用缓存机制减少重复的网络请求，从而提高爬虫的效率。可以将请求结果保存到本地的文件或数据库中，并在下次请求相同 URL 之前，先判断是否存在缓存，若存在则直接读取缓存，不需要再发送网络请求。

<pre class="line-numbers language-python"><code class="language-python"><span aria-hidden="true" class="line-numbers-rows"><span></span></span>
import requests
import os
import hashlib

def spider(url):
    cache_dir = "./cache"
    os.makedirs(cache_dir, exist_ok=True)
    cache_file = os.path.join(cache_dir, hashlib.sha1(url.encode('utf-8')).hexdigest())

    if os.path.exists(cache_file):
        with open(cache_file, 'r') as f:
            response_text = f.read()
    else:
        response = requests.get(url)
        response_text = response.text

        with open(cache_file, 'w') as f:
            f.write(response_text)

    # 解析页面代码部分
    pass

def main():
    urls = ['https://example.com', 'https://example.net', 'https://example.org']

    for url in urls:
        spider(url)

if __name__ == "__main__":
    main()
</code></pre>
Plain text