python - 使用 BeautifulSoup 进行多处理来改进 Wikipedia 抓取

Question

我正在使用 BeautifulSoup 从一堆维基百科页面中抓取一些基本信息。程序运行，但速度很慢(650 页大约需要 20 分钟)。我正在尝试使用多处理来加快速度，但它没有按预期工作。它要么似乎被阻止而不执行任何操作，要么只抓取每个页面名称的第一个字母。

我使用的抓取代码是:

#dict where key is person's name and value is proper wikipedia url formatting
all_wikis = { 'Adam Ferrara': 'Adam_Ferrara',
              'Adam Hartle': 'Adam_Hartle',
              'Adam Ray': 'Adam_Ray_(comedian)',
              'Adam Sandler': 'Adam_Sandler',
              'Adele Givens': 'Adele_Givens'}
bios = {}
def scrape(dictionary):
    for key in dictionary:
        #search each page
        page = requests.get(("https://en.wikipedia.org/wiki/" + str(key)))
        data = page.text
        soup = BeautifulSoup(data, "html.parser")
        #get data
        try:
            bday = soup.find('span', attrs={'class' : 'bday'}).text
        except:
            bday = 'Birthday Unknown'
        try:
            birthplace = soup.find('div', attrs={'class' : 'birthplace'}).text
        except:
            birthplace = 'Birthplace Unknown'
        try:
            death_date = (soup.find('span', attrs={'style' : "display:none"}).text
                                                                            .replace("(", "")
                                                                            .replace(")", ""))
            living_status = 'Deceased'
        except:
            living_status = 'Alive'
        try:
            summary = wikipedia.summary(dictionary[key].replace("_", " "))
        except:
            summary = "No Summary"
        bios[key] = {}
        bios[key]['birthday'] = bday
        bios[key]['home_town'] = birthplace
        bios[key]['summary'] = summary
        bios[key]['living_status'] = living_status
        bios[key]['passed_away'] = death_date

我尝试使用下面的代码将处理添加到脚本的末尾，但它不起作用或仅提取每个页面的第一个字母(例如，如果我正在搜索的页面是 Bruce Lee ，它会调出字母 B 的维基百科页面，然后抛出一堆错误)。

from multiprocessing import Pool, cpu_count

if __name__ == '__main__':
    pool = Pool(cpu_count())
    results = pool.map(func=scrape, iterable=all_wiki)
    pool.close()
    pool.join()

是否有更好的方法来构建我的脚本以允许多重处理？

Answer 1

这里有几个问题:

• dictionary 是 all_wikis 字典中的每个字符串键。然后，当您使用 for key indictionary: 迭代此字符串时，将访问字符串中的每个字符。您的第一个请求是 https://en.wikipedia.org/wiki/A，这不是所需的结果。
即使 dictionary 是一个名称，
• str(key) 也没有真正的帮助。我们需要使用 all_wikis[name] 查找正确的 URL。顺便说一句，避免使用诸如字典之类的通用变量。
• 由于您正在进行多处理，因此需要共享诸如 bios 之类的数据才能进行操作。最简单的方法是仅使用 map 函数的返回值，它是所有工作函数返回值的聚合。
• 您的抓取存在逻辑问题。 wikipedia.summary 未定义。在不确定您确切想要的结果的情况下，它报告亚当·桑德勒已死亡。我将把这个问题作为练习留给读者，因为这个问题主要是关于多处理的。
• 我不确定这里的多处理是否与多线程一样理想。由于您的进程在 99% 的情况下都会被阻止发出请求，因此我敢打赌，您可以使用比您拥有的核心数量多得多的线程(或进程)来提高效率。当您执行 CPU 密集型工作时，多处理更适合，但这里的情况并非如此；实际上，Python 进程本身花费的时间很少。我建议通过增加超出核心数量的进程(或线程，如果您为此进行重构)来测试代码，直到您不再看到改进。

这里有一些代码可以帮助您入门。我坚持按照您的示例进行多重处理，并且没有调整网络抓取逻辑。

import requests
from bs4 import BeautifulSoup
from multiprocessing import Pool, cpu_count

all_wikis = {'Adam Ferrara': 'Adam_Ferrara',
             'Adam Hartle': 'Adam_Hartle',
             'Adam Ray': 'Adam_Ray_(comedian)',
             'Adam Sandler': 'Adam_Sandler',
             'Adele Givens': 'Adele_Givens'}

def scrape(name):
    data = requests.get("https://en.wikipedia.org/wiki/" + all_wikis[name]).text
    soup = BeautifulSoup(data, "html.parser")
    bio = {}

    try:
        bio['birthday'] = soup.find('span', attrs={'class': 'bday'}).text
    except:
        bio['birthday'] = 'Birthday Unknown'

    try:
        bio['home_town'] = soup.find('div', attrs={'class': 'birthplace'}).text
    except:
        bio['home_town'] = 'Birthplace Unknown'

    try:
        bio['passed_away'] = (soup.find('span', attrs={'style': "display:none"}).text
                                                                        .replace("(", "")
                                                                        .replace(")", ""))
        bio['living_status'] = 'Deceased'
    except:
        bio['living_status'] = 'Alive'

    bio['summary'] = "No Summary"
    return name, bio


if __name__ == '__main__':
    pool = Pool(cpu_count())
    bios = dict(pool.map(func=scrape, iterable=all_wikis))
    pool.close()
    pool.join()
    print(bios)