解析網(wǎng)頁(yè)速度比較(BeautifulSoup移盆、PyQuery、lxml伤为、正則)

用標(biāo)題中的四種方式解析網(wǎng)頁(yè)咒循,比較其解析速度。復(fù)習(xí)PyQuery和PySpider绞愚,PySpider這個(gè)項(xiàng)目有點(diǎn)老了叙甸,現(xiàn)在還是使用被淘汰的PhantomJS。

系統(tǒng)配置位衩、Python版本對(duì)解析速度也有影響裆蒸,下面是我的結(jié)果(lxml與xpath最快,bs最慢):

==== Python version: 3.6.7 (v3.6.7:6ec5cf24b7, Oct 20 2018, 03:02:14) 
[GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.57)] =====

==== Total trials: 10000 =====
bs4 total time: 7.7
pq total time: 0.9
lxml (cssselect) total time: 0.9
lxml (xpath) total time: 0.6
regex total time: 1.0 (doesn't find all p)

拷貝下面代碼可以自測(cè):

import re
import sys
import time
import requests
from lxml.html import fromstring
from pyquery import PyQuery as pq
from bs4 import BeautifulSoup as bs

def Timer():
    a = time.time()
    while True:
        c = time.time()
        yield time.time()-a
        a = c
timer = Timer()
url = "http://www.python.org/"
html = requests.get(url).text
num = 10000
print ('\n==== Python version: %s =====' %sys.version)
print ('\n==== Total trials: %s =====' %num)
next(timer)
soup = bs(html, 'lxml')
for x in range(num):
    paragraphs = soup.findAll('p')
t = next(timer)
print ('bs4 total time: %.1f' %t)
d = pq(html)
for x in range(num):
    paragraphs = d('p')
t = next(timer)
print ('pq total time: %.1f' %t)
tree = fromstring(html)
for x in range(num):
    paragraphs = tree.cssselect('p')
t = next(timer)
print ('lxml (cssselect) total time: %.1f' %t)
tree = fromstring(html)
for x in range(num):
    paragraphs = tree.xpath('.//p')
t = next(timer)
print ('lxml (xpath) total time: %.1f' %t)
for x in range(num):
    paragraphs = re.findall('<[p ]>.*?</p>', html)
t = next(timer)
print ('regex total time: %.1f (doesn\'t find all p)\n' %t)

借PyQuery復(fù)習(xí)CSS選擇器糖驴。

PyQuery支持下載網(wǎng)頁(yè)為文本僚祷,是通過(guò)urllib或Requests實(shí)現(xiàn)的:

from pyquery import PyQuery as pq

url = 'https://www.feixiaohao.com/currencies/bitcoin/'
headers = {
            'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 '
                          '(KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
        }
doc = pq(url=url, headers=headers, method='get')

# 也支持發(fā)送表單數(shù)據(jù)
# pq(your_url, {'q': 'foo'}, method='post', verify=True)

# btc價(jià)格
btc_price = doc('.mainPrice span.convert').text()
print(btc_price)

# btc logo
btc_logo = doc('img.coinLogo').attr('src')
print(btc_logo)

也可以直接加載文檔字符串或html文檔:

from pyquery import PyQuery as pq

html = '''
<div>
    <ul>
         <li class="item-0">first item</li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
         <li class="item-1 active"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a></li>
    </ul>
</div>
'''

doc = pq(html)
# doc = pq(filename='demo.html')

# 使用eq可以按次序選擇
print(doc('li').eq(1))

查找上下級(jí)元素可以通過(guò)find()哪痰,children(),parent()久妆,parents()晌杰,siblings()。CSS選擇器舉例如下:

Pyspider的選擇器是PyQuery筷弦。下面的例子是使用PySpider抓取IMDB250信息肋演,fetch_type設(shè)為了js,存入MongoDB烂琴。

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2019-01-30 16:22:03
# Project: imdb

from pyspider.libs.base_handler import *


class Handler(BaseHandler):
    crawl_config = {
    }

    @every(minutes=5)
    def on_start(self):
        self.crawl('https://www.imdb.com/chart/top', callback=self.index_page)

    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        for each in response.doc('.titleColumn > a').items():
            self.crawl(each.attr.href, callback=self.detail_page, fetch_type='js')

    @config(priority=2)
    def detail_page(self, response):
        return {            
            "title": response.doc('h1').text(),
            "voters": response.doc('[itemprop="aggregateRating"] > a > span').text(),
            "score": response.doc('strong > span').text()
        }

    # 需要再init中定義mongoclient
    def on_result(self, result):
        self.mongo.insert_result(result)
        super(Handler, self).on_result(result)

PySpider的文檔
http://docs.pyspider.org/en/latest/

PySpider目前還不支持Python3.7爹殊,所以只好用Python3.6。

在MacOSX上安裝Pyspider時(shí)奸绷,反復(fù)彈出這個(gè)錯(cuò)誤Failed building wheel for pycurlerror: command 'gcc' failed with exit status 1梗夸。是SSL導(dǎo)致的錯(cuò)誤,解決方法如下:

(env)$ pip uninstall pycurl
(env)$ pip install --upgrade pip
(env)$ export LDFLAGS=-L/usr/local/opt/openssl/lib
(env)$ export CPPFLAGS=-I/usr/local/opt/openssl/include
(env)$ export PYCURL_SSL_LIBRARY=openssl
(env)$ pip install pycurl
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末号醉,一起剝皮案震驚了整個(gè)濱河市反症,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌畔派,老刑警劉巖铅碍,帶你破解...
    沈念sama閱讀 211,948評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異线椰,居然都是意外死亡胞谈,警方通過(guò)查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,371評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門(mén)憨愉,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)烦绳,“玉大人,你說(shuō)我怎么就攤上這事配紫【睹埽” “怎么了照皆?”我有些...
    開(kāi)封第一講書(shū)人閱讀 157,490評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵壁袄,是天一觀的道長(zhǎng)岸晦。 經(jīng)常有香客問(wèn)我告唆,道長(zhǎng)证鸥,這世上最難降的妖魔是什么氯质? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 56,521評(píng)論 1 284
  • 正文 為了忘掉前任髓涯,我火速辦了婚禮杂数,結(jié)果婚禮上奋单,老公的妹妹穿的比我還像新娘锉试。我一直安慰自己,他們只是感情好览濒,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,627評(píng)論 6 386
  • 文/花漫 我一把揭開(kāi)白布呆盖。 她就那樣靜靜地躺著拖云,像睡著了一般。 火紅的嫁衣襯著肌膚如雪应又。 梳的紋絲不亂的頭發(fā)上宙项,一...
    開(kāi)封第一講書(shū)人閱讀 49,842評(píng)論 1 290
  • 那天,我揣著相機(jī)與錄音株扛,去河邊找鬼尤筐。 笑死,一個(gè)胖子當(dāng)著我的面吹牛洞就,可吹牛的內(nèi)容都是我干的盆繁。 我是一名探鬼主播,決...
    沈念sama閱讀 38,997評(píng)論 3 408
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼旬蟋,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼油昂!你這毒婦竟也來(lái)了?” 一聲冷哼從身側(cè)響起倾贰,我...
    開(kāi)封第一講書(shū)人閱讀 37,741評(píng)論 0 268
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤冕碟,失蹤者是張志新(化名)和其女友劉穎,沒(méi)想到半個(gè)月后躁染,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體鸣哀,經(jīng)...
    沈念sama閱讀 44,203評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡架忌,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,534評(píng)論 2 327
  • 正文 我和宋清朗相戀三年吞彤,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片叹放。...
    茶點(diǎn)故事閱讀 38,673評(píng)論 1 341
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡饰恕,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出井仰,到底是詐尸還是另有隱情埋嵌,我是刑警寧澤,帶...
    沈念sama閱讀 34,339評(píng)論 4 330
  • 正文 年R本政府宣布俱恶,位于F島的核電站雹嗦,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏合是。R本人自食惡果不足惜了罪,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,955評(píng)論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望聪全。 院中可真熱鬧泊藕,春花似錦、人聲如沸难礼。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 30,770評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至讼呢,卻和暖如春撩鹿,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背悦屏。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 32,000評(píng)論 1 266
  • 我被黑心中介騙來(lái)泰國(guó)打工三痰, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人窜管。 一個(gè)月前我還...
    沈念sama閱讀 46,394評(píng)論 2 360
  • 正文 我出身青樓散劫,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親幕帆。 傳聞我的和親對(duì)象是個(gè)殘疾皇子获搏,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,562評(píng)論 2 349

推薦閱讀更多精彩內(nèi)容