Python爬虫实战入门六：提高爬虫效率—并发爬取智联招聘

之前文章中所介绍的爬虫都是对单个URL进行解析和爬取，url数量少不费时，但是如果我们需要爬取的网页url有成千上万或者更多，那怎么办？
使用for循环对所有的url进行遍历访问？
嗯，想法很好，但是如果url过多，爬取完所有的数据会不会太过于耗时了？
对此我们可以使用并发来对URL进行访问以爬取数据。
一般而言，在单机上我们使用三种并发方式：

• 多线程(threading)

• 多进程(multiprocessing)

• 协程(gevent)

对于以上三种方法的具体概念解释和说明，各位可以自行网上搜索了解，相信会比我解释得清楚，所以在此就不对它们进行解释说明了。
本系列文章有两个重点，一个是实战，一个是入门，既为实战，理论性的东西就描述得比较少；既为入门，所讲述的都是简单易懂易操作的东西，高深的技术还请入门之后自行探索，那样也会成长得更快。
那么下面，开始并发爬取的实战入门，以多进程为例，并发爬取智联招聘的招聘信息。
一、分析URL和页面结构
1、搜索全国范围内职位名包含“Python”的职位招聘
我们不分职业类别、不分行业类别，工作地点选为全国，职位名为“Python”，对招聘信息进行搜索，结果如下图：

我们注意图中三个红框的信息：

1. 搜索结果的url结构；（构造url地址进行for循环遍历）

2. 搜索结果的条数；（判断url的数量）

3. 采集的信息的主体；（解析数据）

通过筛选url参数，我们确定了需要爬取的基本URL为：

http://sou.zhaopin.com/jobs/searchresult.ashx?jl=全国&kw=python&kt=3&p=2

其中

http://sou.zhaopin.com/jobs/searchresult.ashx
为请求地址和目录

jl:工作地点参数
kw:搜索的关键字
kt:以职位名搜索
p:页数

我们可以发现，除了页数会变化之外，其余的参数值都是固定的值。我们来确定一下搜索结果的总页数。
因为网页上有提示一共有多少个职位满足条件，我们拿总职位数除以单页显示的职位数量即可知道搜索结果的页数。

# coding:utf-8
import requests
from bs4 import BeautifulSoup
import re
url = 'http://sou.zhaopin.com/jobs/searchresult.ashx?jl=全国&kw=python&p=1&kt=3'
wbdata = requests.get(url).content
soup = BeautifulSoup(wbdata, 'lxml')
items = soup.select("div#newlist_list_content_table > table")
count = len(items) - 1
# 每页职位信息数量
print(count)
job_count = re.findall(r"共<em>(.*?)</em>个职位满足条件", str(soup))[0]
# 搜索结果页数
pages = (int(job_count) // count) + 1
print(pages)

结果返回每页60条职位信息，一共有14页。
那么我们的待爬取的url地址就有14个，url地址中参数p的值分别从1到14，这么少的url，使用for循环也可以很快完成，但在此我们使用多进程进行演示。
二、在爬虫中使用多进程
先上代码：

# coding:utf-8

import requests

from bs4 import BeautifulSoup

from multiprocessing import Pool

def get_zhaopin(page):

    url = 'http://sou.zhaopin.com/jobs/searchresult.ashx?jl=全国&kw=python&p={0}&kt=3'.format(page)

    print("第{0}页".format(page))

    wbdata = requests.get(url).content

    soup = BeautifulSoup(wbdata,'lxml')

    job_name = soup.select("table.newlist > tr > td.zwmc > div > a")

    salarys = soup.select("table.newlist > tr > td.zwyx")

    locations = soup.select("table.newlist > tr > td.gzdd")

    times = soup.select("table.newlist > tr > td.gxsj > span")

    for name, salary, location, time in zip(job_name, salarys, locations, times):

        data = {

            'name': name.get_text(),

            'salary': salary.get_text(),

            'location': location.get_text(),

            'time': time.get_text(),

        }

        print(data)

if __name__ == '__main__':

    pool = Pool(processes=2)

    pool.map_async(get_zhaopin,range(1,pages+1))

    pool.close()

    pool.join()

结果如下：

因为除了使用了多进程之外，其他的代码与之前文章介绍的方法大同小异，所以在此只介绍一下多进程的核心代码：

from multiprocessing import Pool

multiprocessing是Python自带的一个多进程模块，在此我们使用其Pool方法。

if __name__ == '__main__':
    pool = Pool(processes=2)
    pool.map_async(get_zhaopin,range(1,pages+1))
    pool.close()
    pool.join()

1. 实例化一个进程池，设置进程为2；

2. 调用进程池的map_async()方法，接收一个函数(爬虫函数)和一个列表(url列表)

如此，在爬虫中使用多进程进行并发爬取就搞定了，更多高级、复杂强大的方法，还请各位参考其他文档资料。