【Python爬虫实战】多进程结合 BeautifulSoup 与 Scrapy 构建爬虫项目

易辰君

发布于 2024-11-07 22:25:07

57800

代码可运行

文章被收录于专栏：CSDNCSDN

运行总次数：0

代码可运行

前言

在大数据时代，爬虫技术是获取和处理网络数据的利器。面对需要处理大量网页的爬取任务，如何提升效率成为了一个重要的问题。Python 的多进程技术结合 BeautifulSoup 和 Scrapy，可以在保证解析能力的同时，大大提高并发抓取的效率。这篇文章将详细介绍如何利用多进程模块进行爬虫、结合 JoinableQueue 管理任务，以及在更复杂的场景中使用 BeautifulSoup 和 Scrapy，打造功能强大的爬虫项目。

一、多进程爬虫

多进程爬虫是利用Python的多进程模块（如multiprocessing）来并发地抓取网页数据的一种方法。这种方法能够显著提高爬虫的效率，特别是在面对需要处理大量网页时。以下是一些关键点和实现步骤：

（一）多进程的基本概念

多进程：通过创建多个进程来并行执行任务。每个进程都有自己的内存空间和解释器，可以独立工作，适合 CPU 密集型任务。
进程池：使用multiprocessing.Pool可以方便地管理多个进程，自动调度任务。

（二）使用多进程爬虫的好处

提高速度：可以同时请求多个网页，缩短抓取时间。
避免 GIL 限制：Python 的全局解释器锁（GIL）会限制单线程执行，但多进程可以绕过这一限制。

（三）示例

import requests
from multiprocessing import Pool

def fetch_url(url):
    try:
        response = requests.get(url)
        print(f"Fetched {url}: {response.status_code}")
        return response.text
    except Exception as e:
        print(f"Failed to fetch {url}: {e}")

def main(urls):
    with Pool(processes=4) as pool:  # 创建4个进程
        results = pool.map(fetch_url, urls)  # 并发抓取
    return results

if __name__ == '__main__':
    urls = [
        'https://www.example.com',
        'https://www.example.org',
        'https://www.example.net',
        # 添加更多网址
    ]
    main(urls)

（四）注意事项

请求频率：要合理控制请求频率，避免被目标网站封禁。
异常处理：确保处理网络请求中的异常情况，防止程序崩溃。
资源管理：爬取大量数据时，要合理管理内存和 CPU 资源。

二、多进程结合JoinableQueue队列

（一）介绍

使用多进程结合 JoinableQueue 来实现爬虫，可以有效管理任务的执行和跟踪任务完成情况。JoinableQueue 允许你在所有任务完成后进行一些后续操作，这对于处理大量网页的爬虫项目非常有用。

以下是一个使用 multiprocessing.JoinableQueue 的爬虫示例，结合 requests 和 BeautifulSoup 进行网页抓取和解析。

示例：

import requests
from bs4 import BeautifulSoup
from multiprocessing import Process, JoinableQueue
import time

# 定义爬虫工作函数
def worker(queue):
    while True:
        url = queue.get()  # 从队列中获取 URL
        if url is None:  # 用于退出条件
            queue.task_done()
            break
        print(f"Fetching: {url}")
        try:
            response = requests.get(url, timeout=5)
            if response.status_code == 200:
                soup = BeautifulSoup(response.text, 'html.parser')
                # 假设提取文章标题
                titles = soup.find_all('h2')
                for title in titles:
                    print(f"Title: {title.get_text()}")
            else:
                print(f"Failed to fetch {url}: {response.status_code}")
        except Exception as e:
            print(f"Error fetching {url}: {e}")
        finally:
            queue.task_done()  # 标记任务完成

# 主函数
def main(urls):
    queue = JoinableQueue()
    processes = []

    # 启动多个工作进程
    for _ in range(4):  # 根据需要启动的进程数
        p = Process(target=worker, args=(queue,))
        p.start()
        processes.append(p)

    # 向队列中添加 URL
    for url in urls:
        queue.put(url)

    # 等待队列中所有任务完成
    queue.join()  # 阻塞直到所有任务调用 task_done()

    # 发送退出信号给每个进程
    for _ in processes:
        queue.put(None)

    # 等待所有进程完成
    for p in processes:
        p.join()

if __name__ == '__main__':
    urls = [
        'https://www.example.com/page1',
        'https://www.example.com/page2',
        'https://www.example.com/page3',
        # 添加更多网址
    ]
    start_time = time.time()
    main(urls)
    print(f"All tasks completed in {time.time() - start_time:.2f} seconds.")

代码解释：

引入库：引入 requests 进行 HTTP 请求，BeautifulSoup 进行 HTML 解析，multiprocessing 模块进行多进程管理。
工作函数 worker：
- 从 JoinableQueue 中获取 URL。
- 请求页面并解析 HTML 内容。
- 提取标题，并在控制台打印。
- 每处理完一个 URL，调用 queue.task_done() 标记任务完成。
主函数 main：
- 创建 JoinableQueue 实例。
- 启动多个工作进程。
- 向队列中添加待爬取的 URL。
- 调用 queue.join()，阻塞主线程，直到所有任务都标记为完成。
- 发送退出信号（None）给每个进程，确保所有进程能够正常退出。
执行：
- 在 if __name__ == '__main__' 下执行爬虫逻辑，开始爬取指定的 URL。

（二）使用场景

适用于需要高并发、并且需要确保所有任务都能被处理的爬虫项目。
适合处理大量网页抓取任务时，能够有效地管理工作流程和任务状态。

三、构建复杂的多进程项目

结合多进程与 BeautifulSoup 或 Scrapy 可以构建更高效、复杂的爬虫项目。根据项目规模和需求，可以选择不同的组合方式。下面介绍两种结合方式：使用 BeautifulSoup 与多进程实现一个轻量级爬虫，以及通过多进程管理多个 Scrapy 爬虫实例的方案。

（一）多进程 + BeautifulSoup 实现轻量级爬虫

这种方案适合中小型爬虫项目，手动管理请求和数据解析，同时使用多进程加速请求处理。适用于需要快速获取网页数据并做简单解析的场景。

示例：

import requests
from bs4 import BeautifulSoup
from multiprocessing import Process, JoinableQueue
import time

# 定义爬虫工作函数
def worker(queue):
    while True:
        url = queue.get()
        if url is None:  # 退出条件
            queue.task_done()
            break

        try:
            response = requests.get(url, timeout=5)
            if response.status_code == 200:
                soup = BeautifulSoup(response.text, 'html.parser')
                # 假设需要提取所有标题和链接
                titles = soup.find_all('h2')  # 根据实际结构调整
                for title in titles:
                    print(f"Title: {title.get_text()} - URL: {url}")
            else:
                print(f"Failed to fetch {url}: {response.status_code}")
        except Exception as e:
            print(f"Error fetching {url}: {e}")
        finally:
            queue.task_done()

# 主函数
def main(urls):
    queue = JoinableQueue()
    processes = []

    # 启动多个进程
    for _ in range(4):  # 启动4个工作进程
        p = Process(target=worker, args=(queue,))
        p.start()
        processes.append(p)

    # 添加 URL 到队列
    for url in urls:
        queue.put(url)

    # 等待队列中所有任务完成
    queue.join()

    # 发送退出信号给每个进程
    for _ in processes:
        queue.put(None)

    # 等待所有进程完成
    for p in processes:
        p.join()

if __name__ == '__main__':
    urls = [
        'https://www.example.com/page1',
        'https://www.example.com/page2',
        'https://www.example.com/page3',
        # 添加更多网址
    ]
    start_time = time.time()
    main(urls)
    print(f"All tasks completed in {time.time() - start_time:.2f} seconds.")

代码解释：

使用 requests 库抓取网页，BeautifulSoup 解析 HTML。
利用 multiprocessing.JoinableQueue 管理 URL 队列，每个进程独立处理一个 URL。
JoinableQueue 的 task_done 和 join 方法确保主进程在所有任务完成后继续执行。

（二）多进程 + Scrapy 管理大型爬虫项目

Scrapy 是一个功能强大的爬虫框架，自带异步处理和数据管道，但在某些场景下，可以通过多进程来管理多个独立的爬虫任务，尤其是当需要同时爬取多个不同网站时。

（1）编写 Scrapy 爬虫

在 spiders/my_spider.py 中创建一个简单的 Scrapy 爬虫。

import scrapy

class MySpider(scrapy.Spider):
    name = 'myspider'
    start_urls = ['https://www.example.com']

    def parse(self, response):
        titles = response.css('h2::text').getall()  # 假设要提取的内容为 <h2> 标签的文本
        for title in titles:
            yield {'title': title}

（2）多进程管理多个 Scrapy 实例

创建一个 Python 脚本 run_spiders.py，在其中使用 multiprocessing 启动多个 Scrapy 爬虫实例。

示例：

from multiprocessing import Process
from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings
from myproject.spiders.my_spider import MySpider

def run_spider():
    process = CrawlerProcess(get_project_settings())
    process.crawl(MySpider)
    process.start()

if __name__ == '__main__':
    processes = []

    # 启动多个爬虫进程
    for _ in range(3):  # 根据需求启动多个爬虫实例
        p = Process(target=run_spider)
        p.start()
        processes.append(p)

    # 等待所有爬虫进程完成
    for p in processes:
        p.join()

解释：

Scrapy 爬虫：在 my_spider.py 中定义爬虫规则，解析 h2 标签内容。
多进程管理：通过 multiprocessing.Process 启动多个 Scrapy 爬虫实例，每个实例可以处理不同的任务。
适用场景：当需要同时抓取多个不同的网站或执行多个独立爬虫任务时，这种方式可以提高抓取效率。

（三）设计复杂爬虫项目的建议

合理选择并发模式：对于中小型项目，requests + BeautifulSoup + 多进程已经能达到较高的性能；对于大规模项目，Scrapy 是更好的选择。
任务调度和监控：在多进程环境下，确保每个任务有清晰的调度和监控机制，防止资源浪费和任务卡死。
错误处理：无论使用哪种组合方式，都要做好异常处理，避免因为某些 URL 或请求失败而导致整个爬虫崩溃。
延迟和限速：为了避免被目标网站封禁，建议在多进程或异步请求中加入请求延迟和限速机制。

（四）多进行项目总结

多进程 + BeautifulSoup：适合需要手动处理请求和解析的场景，通过 JoinableQueue 管理任务，简单易用。
多进程 + Scrapy：适用于需要处理大规模数据抓取的场景，能够利用 Scrapy 的异步特性，同时通过多进程管理多个任务，适合大规模爬虫项目。

四、总结

通过结合 Python 的多进程能力与数据解析库，如 BeautifulSoup 和 Scrapy，我们可以打造高效且灵活的爬虫系统。对于中小型项目，使用多进程加速抓取和解析是一个便捷的选择，而在处理大规模任务时，Scrapy 的异步能力与多进程结合则更为适用。在实际应用中，合理设计爬虫结构和任务管理机制，能够显著提升数据抓取效率。这不仅可以帮助开发者应对数据采集的挑战，更为大数据分析和挖掘奠定了基础。希望本文的介绍能够为你的爬虫项目提供有价值的参考和帮助。

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2024-10-30，如有侵权请联系 cloudcommunity@tencent.com 删除

多进程