数据抓取的艺术（二）：数据抓取程序优化

1780阅读　0评论2013-05-17　yifangyou
分类：Python/Ruby


      续前文：《数据抓取的艺术（一）：Selenium+Phantomjs数据抓取环境配置》。


程序优化：第一步
开始：

  2. for i in range(startx,total):
  3.     for j in range(starty,total):
  4.         BASE_URL = createTheUrl([item[i],item[j]])
  5.         driver.get(BASE_URL)
  6.         driver = webdriver.PhantomJS()
  7.         html = driver.page_source
  8.         output = filterOutcome(html)
  9.         driver.quit()
  10.         print 'i='+str(i)+'tj='+str(j)+'tresult='+str(output)
  11.     j += 1

      每个耗时约27秒。

修改后：

  2. driver = webdriver.PhantomJS()
  3. for i in range(startx,total):
  4.     for j in range(starty,total):
  5.         BASE_URL = createTheUrl([item[i],item[j]])
  6.         driver.get(BASE_URL)
  7.         html = driver.page_source
  8.         output = filterOutcome(html)
  9.         
  10.         print 'i='+str(i)+'tj='+str(j)+'tresult='+str(output)
  11.         if output == -1:
  12.             driver.quit()
  13.             exit(0)
  14.     j += 1
  15. driver.quit()

      这回只分析了3个，共52秒，每个耗时约17秒，只是因为避免了重复PhantomJS的开启、运行和关闭这一过程。

程序优化：第二步
      减少对角线重复请求次数：
  1. driver = webdriver.PhantomJS()
  2. for i in range(startx,total):
  3.     if starty != -1:
  4.         k = i
  5.     else:
  6.         k = starty
  7.     for j in range(k,total):
  8.         BASE_URL = createTheUrl([item[i],item[j]])
  9.         driver.get(BASE_URL)
  10.         html = driver.page_source
  11.         output = filterOutcome(html)
  12.         
  13.         print 'i='+str(i)+'tj='+str(j)+'tresult='+str(output)
  14.         if output == -1:
  15.             driver.quit()
  16.             exit(0)
  17.         #toexcel("C:catchoutput.xlsx","Sheet1",output,i,j)
  18.     j += 1
  19. driver.quit()
     和上面的待分析的个数一样，花费21秒，每个耗时约7秒。如果开启excel存储，则共花费25秒，每个耗时约8秒。

程序优化：第三步
      减少写入Excel的次数，提高硬盘性能。当然，数据量越大，次数越多，效果越明显。这次把Excel一直打开，每隔20个保存一次。
  1. #打开Excel插件
  2. xlsApp = win32com.client.Dispatch("Excel.Application")
  3. xlsBook = xlsApp.Workbooks.Open('C:catchoutput.xlsx')
  4. xlsSheet = xlsBook.Sheets('Sheet1')

  6. #开启webdirver的PhantomJS对象
  7. driver = webdriver.PhantomJS()

  9. #main()
  10. for i in range(startx,total):
  11.     if starty != -1:
  12.         k = i
  13.     else:
  14.         k = starty
  15.     for j in range(k,total):
  16.         BASE_URL = createTheUrl([item[i],item[j]])
  17.         driver.get(BASE_URL)
  18.         html = driver.page_source
  19.         output = filterOutcome(html)
  20.         
  21.         print 'i='+str(i)+'tj='+str(j)+'tresult='+str(output)
  22.         mycounter += 1
  23.         
  24.         if output == -1:
  25.             driver.quit()
  26.             xlsBook.Save()
  27.             xlsBook.Close()
  28.             xlsApp.Quit()
  29.             exit(0)
  30.         xlsSheet.Cells(j+1,i+1).Value = xlsSheet.Cells(i+1,j+1).Value = output

  32.         #每隔20个保存一次，并重新清零
  33.         if mycounter%20 == 0:
  34.             print "~~~~~~ SAVED HERE ~~~~~~"
  35.             xlsBook.Save()
  36.             mycounter = 0
  37.     j += 1

  39. #程序结束前的清扫工作
  40. driver.quit()
  41. xlsBook.Save()
  42. xlsBook.Close()
  43. xlsApp.Quit()
      结果如下：
  1. >>>
  2. 请输入起始XaaS的序号X：0
  3. 请输入起始XaaS的序号Y：0
  4. 待处理数据记录总数：8 条
  5. 待处理握手总数：36 次
  6. 读取info.txt文件成功
  8. 计时开始!
  10. ----------------
  11. i=0 j=0 result=14000000
  12. i=0 j=1 result=2
  13. i=0 j=2 result=8
  14. i=0 j=3 result=1
  15. i=0 j=4 result=80400
  16. i=0 j=5 result=2
  17. i=0 j=6 result=3
  18. i=0 j=7 result=8470
  19. i=1 j=1 result=394000
  20. i=1 j=2 result=3140
  21. i=1 j=3 result=9
  22. i=1 j=4 result=57
  23. i=1 j=5 result=7
  24. i=1 j=6 result=3790
  25. i=1 j=7 result=718
  26. i=2 j=2 result=7110000
  27. i=2 j=3 result=7
  28. i=2 j=4 result=4
  29. i=2 j=5 result=232000
  30. i=2 j=6 result=382000
  31. i=2 j=7 result=7970
  32. i=3 j=3 result=981000
  33. i=3 j=4 result=7
  34. i=3 j=5 result=1
  35. i=3 j=6 result=2
  36. i=3 j=7 result=10
  37. i=4 j=4 result=398000
  38. i=4 j=5 result=4
  39. i=4 j=6 result=3850
  40. i=4 j=7 result=1390
  41. i=5 j=5 result=275000
  42. i=5 j=6 result=32100
  43. i=5 j=7 result=8
  44. i=6 j=6 result=8050000
  45. i=6 j=7 result=67800
  46. i=7 j=7 result=738000
  47. ----------------
  49. 执行成功！
  51. 程序耗时：72 秒
    相当于每次握手，花费2秒。但这还存在一个致命伤，那就是在随着数据量的激增，以后经常要保存上万个值，每次都保存，那么次数越多写入量就会越大。只是希望微软的Excel已经能够知道：哪些是未改动数据就不必再次写入，哪些数据改动过需要写入。

程序优化：第四步
      使用多线程+使用数据库。如果不用数据库，就靠读写一个单机版的Excel，效率太低，因此我考虑用Mysql或Sqlite。最后再将结果转出来。

    也请参看下文： 《数据抓取的艺术（三）：抓取Google数据之心得》     
上一篇：数据抓取的艺术（一）：Selenium+Phantomjs数据抓取环境配置
下一篇：数据抓取的艺术（三）：抓取Google数据之心得