我编写了这段代码,它当前正在运行,正在抓取大量数据。到目前为止,循环已经运行了 800 次。它必须运行约 16,000 次才能获取所有数据。
一般来说,我如何优化网页抓取代码,或者我是否受到 requests.get 的摆布?
import json
import requests
import pandas as pd
from pandas.io.json import json_normalize
headers = {}
p = {}
a = int(p['page'])
df = pd.DataFrame()
while True:
p['page'] = str(a)
try:
a += 1
r = requests.get('URL',headers=headers, params=p)
complete_json = r.json()
print('success')
df_data = pd.DataFrame.from_dict(json_normalize(complete_json['explore_vintage']['matches']), orient='columns')
df = df.append(df_data)
except:
False
df.to_excel('output.xlsx', encoding='utf8')
df.to_csv("output.csv")
print(df.head)
最佳答案
我可以立即看到一些优化。
您可以在此处添加的第一件事是通过异步请求进行并行处理。 requests
库是同步的,正如您所看到的 - 它将阻塞,直到每个页面完全处理。有number of libraries 请求
项目officially recommends 。如果您走这条路,您将需要更明确地定义终止条件,而不是无限 while
循环内的 try
/ except
block 。
这都是主要从他们的示例中提取的伪代码,但您可以看到它是如何工作的:
from requests_futures.sessions import FuturesSession
from concurrent.futures import as_completed
import json
import time
def response_hook(resp, *args, **kwargs):
with open(f'tmp/{time.thread_time_ns()}.json', 'wb') as fp:
parsed = resp.json()
fp.write(json.dumps(parsed).encode('utf-8'))
futures_session = FuturesSession()
futures_session.hooks['response'] = response_hook
with futures_session as session:
futures = [
session.get(f'https://jsonplaceholder.typicode.com/todos/{i}', hooks={'response': response_hook}) for i in range(16000)
]
for future in as_completed(futures):
resp = future.result()
将数据解析为数据帧是一个明显的瓶颈。随着数据帧变得越来越大,目前速度将继续减慢。我不知道这些 JSON 响应的大小,但如果您要获取 16k 响应,我想一旦您耗尽了内存,这就会很快停止。如果可能的话,我建议将抓取和转换操作解耦。将所有抓取的数据保存到它们自己的独立 JSON 文件中(如上例所示)。如果单独保存每个响应并且抓取完成,您可以循环遍历所有保存的内容,解析它们,然后输出到 Excel 和 CSV。请注意,根据 JSON 文件的大小,您可能仍然会遇到内存问题,但至少不会阻止抓取过程,并且可以单独处理输出处理。
关于python - 如何优化网页抓取代码片段以使其运行速度更快?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59915322/