IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> Python知识库 -> 基于多线程的爬虫改进 -> 正文阅读

[Python知识库]基于多线程的爬虫改进

同系列文章

python爬虫+pygal交互式可视化爬取大学QS排名_m0_61168705的博客-CSDN博客https://blog.csdn.net/m0_61168705/article/details/122699759?spm=1001.2014.3001.5501


文章目录

目录

同系列文章

文章目录

前言

一、导入的库

二、改写代码呈现

三、运行时间可视化

四、可视化结果

总结


前言

之前写过爬取大学QS排名并用pygal可视化的代码,但串联式结构执行速度太慢,使用体验不太好。所以我尝试使用多线程进行改写代码,并通过可视化的方式展现多线程的优越性。


一、导入的库

相比前一篇多导入了四个库

multiprocessing(多线程库)

time(时间库)

matplotlib(经典作图库)

random(随机抽取库)

二、改写代码呈现

这次先上代码,再解释我这样处理的原因

# This is a py file to crawl the ranks of your university in QS.
import requests
import re
import pygal
import time
from multiprocessing.dummy import Pool

def getJson(url):
    r=requests.post(url,headers=headers).json()
    return r

def getSign(url):
    sign=int(re.findall('https://www.qschina.cn/sites/default/files/qs-rankings-data/cn/(.*?)_indicators.txt',url)[0])
    return sign

def parse(dict,sign):
    reg=re.compile('[\u4E00-\u9FA5]+')
   # This line is to find the Chinese characters, so the university's name should be in Chinese, then you can get the QS rank of it.
    count=0
    for d in dict['data']:
        try:
            name=re.search(reg,d['uni']).group()
            # If the uni name is in English, it will return None. Use the group() to None will get an error.
            if name in uName:
                dataDict[name][Info[sign]]=int(d['overall_rank'])
                count+=1
            if count==nOfUniversity:
                break
        except:
            pass
         
def getuName():
    global inputTime
    inputStart=time.time()
    s=input("请将你想查的大学名称用中文输入(中间用‘,’隔开):")
    inputEnd=time.time()
    inputTime=inputEnd-inputStart
    L=s.split(',')
    return L

def darwLine():
    line=pygal.Line()
    for i in uName:
        line.add(i,dataDict[i])
    line.x_labels=year
    line.y_title="QS排名"
    line.x_title="年份"
    line.title="近四年QS排名"
    line.legend_at_bottom=True
    line.render_to_file('查询结果.svg')
    # Before you run this file, you should change the above line to your path.

def main():
    global uName
    uName=getuName()
    global nOfUniversity
    nOfUniversity=len(uName)
    global dataDict
    dataDict={}
    for i in uName:
        dataDict[i]=[None,None,None,None]
    pool=Pool(4)
    pool.map(lambda x: parse(getJson(x),getSign(x)),url)
    darwLine()

if __name__ == '__main__':
    startTime=time.time()
    url=['https://www.qschina.cn/sites/default/files/qs-rankings-data/cn/397863_indicators.txt',
         'https://www.qschina.cn/sites/default/files/qs-rankings-data/cn/914824_indicators.txt',
         'https://www.qschina.cn/sites/default/files/qs-rankings-data/cn/2057712_indicators.txt',
         'https://www.qschina.cn/sites/default/files/qs-rankings-data/cn/2122636_indicators.txt',
         ]
    headers={
        'user-agent': you need to add it
    }
    year=[2019,2020,2021,2022]
    Info={397863:0,914824:1,2057712:2,2122636:3}
    main()
    endTime=time.time()
    runTime=endTime-startTime-inputTime
    print(runTime)

我的改写思路是用dataDict取代之前的D,省去最后还要通过for循环把数据集中起来。

其中出现过最大的bug就是因为多线程执行完的时间不一样,结果成了这样:

每个学校的排名没有串,但时间串了。

这里附上正确的图:

所以需要sign来规定数据的顺序。

三、运行时间可视化

在短时间内连续多次请求同一个url容易被封IP,所以我一共测10组(查询大学个数从1到10),每组均随机取样5个,用update()自定义函数求平均时间。

为保证每个学校都有数据,我选取了2019年前500名院校作为样本空间。

mainNormal()方法与第一篇的处理不同,是为了控制变量(只有多线程部分不同)。

测试和可视化代码如下:

import requests
import re
import time
import random
import matplotlib.pyplot as plt
from multiprocessing.dummy import Pool
import pygal

def getJson(url):
    r=requests.post(url,headers=headers).json()
    return r

def parseForName(dict):
    global name
    name=[]
    reg=re.compile('[\u4E00-\u9FA5]+')
   # This line is to find the Chinese characters, so the university's name should be in Chinese, then you can get the QS rank of it.
    for d in dict['data'][:499]:
        try:
            name.append(re.search(reg,d['uni']).group())
        except:
            pass
            
def getSign(url):
    sign=int(re.findall('https://www.qschina.cn/sites/default/files/qs-rankings-data/cn/(.*?)_indicators.txt',url)[0])
    return sign

def parse(dict,sign):
    reg=re.compile('[\u4E00-\u9FA5]+')
   # This line is to find the Chinese characters, so the university's name should be in Chinese, then you can get the QS rank of it.
    count=0
    for d in dict['data']:
        try:
            name=re.search(reg,d['uni']).group()
            # If the uni name is in English, it will return None. Use the group() to None will get an error.
            if name in uName:
                dataDict[name][Info[sign]]=int(d['overall_rank'])
                count+=1
            if count==nOfUniversity:
                break
        except:
            pass

def darwLine():
    line=pygal.Line()
    for i in uName:
        line.add(i,dataDict[i])
    line.x_labels=year
    line.y_title="QS排名"
    line.x_title="年份"
    line.title="近四年QS排名"
    line.legend_at_bottom=True
    line.render_to_file('查询结果.svg')
    # Before you run this file, you should change the above line to your path.

def mainPool():
    global nOfUniversity
    nOfUniversity=len(uName)
    global dataDict
    dataDict={}
    for i in uName:
        dataDict[i]=[None,None,None,None]
    pool.map(lambda x: parse(getJson(x),getSign(x)),url)
    darwLine()
    
def mainNormal():
    global nOfUniversity
    nOfUniversity=len(uName)
    global dataDict
    dataDict={}
    for i in uName:
        dataDict[i]=[None,None,None,None]
    for link in url:
        parse(getJson(link),getSign(link))
    darwLine()

def update(L,v,count):
    if count==0:
        L.append(v)
    else:
        L[-1]=(L[-1]*count+v)/(count+1)

def takeSamplesToTest(maxNum):
    for n in range(1,maxNum+1):
        for i in range(5):
            global uName
            uName=random.sample(name,n)
            startTime=time.time()
            mainNormal()
            endTime=time.time()
            runTime=endTime-startTime
            update(timeListForNormal,runTime,i)
            startTime=time.time()
            mainPool()
            endTime=time.time()
            runTime=endTime-startTime
            update(timeListForPool,runTime,i)
        print(n)
            
if __name__ == '__main__':
    headers={
        'user-agent': you need to add it
    }
    url=['https://www.qschina.cn/sites/default/files/qs-rankings-data/cn/397863_indicators.txt',
         'https://www.qschina.cn/sites/default/files/qs-rankings-data/cn/914824_indicators.txt',
         'https://www.qschina.cn/sites/default/files/qs-rankings-data/cn/2057712_indicators.txt',
         'https://www.qschina.cn/sites/default/files/qs-rankings-data/cn/2122636_indicators.txt',
         ]
    year=[2019,2020,2021,2022]
    Info={397863:0,914824:1,2057712:2,2122636:3}
    parseForName(getJson('https://www.qschina.cn/sites/default/files/qs-rankings-data/cn/397863_indicators.txt'))
    timeListForNormal=[]
    timeListForPool=[]
    pool=Pool(4)
    takeSamplesToTest(10)
    X=range(1,11)
    fig, ax = plt.subplots()
    ax.plot(X, timeListForNormal, label='Noraml')
    ax.plot(X, timeListForPool, label='Pool')
    ax.set_xlabel('The number of university')
    ax.set_ylabel('time/s')
    ax.set_title('To show the difference of runtime')
    ax.legend()
    plt.show()

四、可视化结果

可以看到多线程运行时间几乎稳定在2s,相比普通串联结构约有5s的时间差距,优越性可见一斑。


总结

本文对之前文章的爬虫代码加上了多线程,提高了运行效率,并对其提高效果进行了可视化。

  Python知识库 最新文章
Python中String模块
【Python】 14-CVS文件操作
python的panda库读写文件
使用Nordic的nrf52840实现蓝牙DFU过程
【Python学习记录】numpy数组用法整理
Python学习笔记
python字符串和列表
python如何从txt文件中解析出有效的数据
Python编程从入门到实践自学/3.1-3.2
python变量
上一篇文章      下一篇文章      查看所有文章
加:2022-01-29 23:02:34  更:2022-01-29 23:02:38 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/16 1:53:30-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码