我用python与硒结合编写了一个脚本,以从其着陆页中抓取不同文章的链接,并通过跟踪引向其内部页面的url最终获得每个文章的标题。尽管我在这里解析的内容是静态内容,但我还是使用了硒来查看它在多处理中的工作方式。
但是,我的意图是使用多处理进行抓取。到目前为止,我知道硒不支持多处理,但似乎我错了。
我的问题:当使用多处理运行硒时,如何减少使用硒的执行时间?
This is my try (it's a working one)
:
import requests
from urllib.parse import urljoin
from multiprocessing.pool import ThreadPool
from bs4 import BeautifulSoup
from selenium import webdriver
def get_links(link):
res = requests.get(link)
soup = BeautifulSoup(res.text,"lxml")
titles = [urljoin(url,items.get("href")) for items in soup.select(".summary .question-hyperlink")]
return titles
def get_title(url):
chromeOptions = webdriver.ChromeOptions()
chromeOptions.add_argument("--headless")
driver = webdriver.Chrome(chrome_options=chromeOptions)
driver.get(url)
sauce = BeautifulSoup(driver.page_source,"lxml")
item = sauce.select_one("h1 a").text
print(item)
if __name__ == '__main__':
url = "https://stackoverflow.com/questions/tagged/web-scraping"
ThreadPool(5).map(get_title,get_links(url))
当使用多处理运行硒时,如何减少使用硒的执行时间
解决方案中的很多时间都花在为每个URL启动Webdriver上。您可以通过每个线程仅启动一次驱动程序来减少此时间:
(... skipped for brevity ...)
threadLocal = threading.local()
def get_driver():
driver = getattr(threadLocal, 'driver', None)
if driver is None:
chromeOptions = webdriver.ChromeOptions()
chromeOptions.add_argument("--headless")
driver = webdriver.Chrome(chrome_options=chromeOptions)
setattr(threadLocal, 'driver', driver)
return driver
def get_title(url):
driver = get_driver()
driver.get(url)
(...)
(...)
在我的系统上,这将时间从1m7s减少到仅24.895s,减少了约35%。要测试自己,请下载完整脚本。
注意:ThreadPool
使用受Python GIL约束的线程。如果大多数情况下任务是受I / O约束的,那没关系。根据对抓取结果进行的后处理,您可能需要使用a multiprocessing.Pool
来代替。这将启动并行进程,这些进程作为一个整体不受GIL的约束。其余代码保持不变。
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句