python爬虫方法优化_Python爬虫的N种姿势 ，总有一种能满足你
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：
1、一般方法(同步，requests+BeautifulSoup)
2、并发(使用concurrent.futures模块以及requests+BeautifulSoup)
3、异步(使用aiohttp+asyncio+requests+BeautifulSoup)
4、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)：
##################################################
George Washington , first President of the United States
Douglas Adams , British author and humorist (1952–2001)
......
Willoughby Newton , Politician from Virginia, USA
Mack Wilberg , American conductor
一般方法，总共耗时：724.9654655456543
##################################################
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)：
##################################################
Larry Sanger , American former professor, co-founder of Wikipedia, founder of Citizendium and other projects
Ken Jennings , American game show contestant and writer
......
Antoine de Saint-Exupery , French writer and aviator
Michael Jackson , American singer, songwriter and dancer
并发方法，总共耗时：226.7499692440033
##################################################
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。
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)：
##################################################
Frédéric Taddeï , French journalist and TV host
Gabriel Gonzáles Videla , Chilean politician
......
Denmark , sovereign state and Scandinavian country in northern Europe
Usain Bolt , Jamaican sprinter and soccer player
使用异步，总共耗时：126.9002583026886
##################################################
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。
输出的结果如下(省略中间的输出，以......代替)：
##################################################
Dejen Gebremeskel , Ethiopian long-distance runner
Erik Kynard , American high jumper
......
Buzz Aldrin , American astronaut
Egon Krenz , former General Secretary of the Socialist Unity Party of East Germany
使用异步(正则表达式)，总共耗时：16.521944999694824
##################################################
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：