- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在从列表中抓取多个网址。
它似乎有效,但输出都是混合的并且彼此不对应。
这是带有线程的代码:
import requests
import pandas
import json
import concurrent.futures
# our list with multiple profiles
profile=['kaid_329989584305166460858587','kaid_896965538702696832878421','kaid_1016087245179855929335360','kaid_107978685698667673890057','kaid_797178279095652336786972','kaid_1071597544417993409487377','kaid_635504323514339937071278','kaid_415838303653268882671828','kaid_176050803424226087137783']
# two lists of the data that we are going to fill up with each profile
link=[]
projects=[]
############### SCRAPING PART ###############
# my scraping function that we are going to use for each item in profile
def scraper (kaid):
link.append('https://www.khanacademy.org/profile/{}'.format(kaid))
data = requests.get('https://www.khanacademy.org/api/internal/user/scratchpads?casing=camel&kaid={}&sort=1&page=0&limit=40000&subject=all&lang=en&_=190425-1456-9243a2c09af3_1556290764747'.format(kaid))
try:
data=data.json()
projects.append(str(len(data['scratchpads'])))
except json.decoder.JSONDecodeError:
projects.append('NA')
# the threading part
with concurrent.futures.ThreadPoolExecutor(max_workers=5) as executor:
future_kaid = {executor.submit(scraper, kaid): kaid for kaid in profile}
for future in concurrent.futures.as_completed(future_kaid):
kaid = future_kaid[future]
############### WRITING PART ##############
# Now we write everything into a a dataframe object
d = {'link':link,'projects':projects}
dataframe = pandas.DataFrame(data=d)
print(dataframe)
我期待这个(我在没有线程的情况下得到的输出):
link projects
0 https://www.khanacademy.org/profile/kaid_32998... 0
1 https://www.khanacademy.org/profile/kaid_89696... 219
2 https://www.khanacademy.org/profile/kaid_10160... 22
3 https://www.khanacademy.org/profile/kaid_10797... 0
4 https://www.khanacademy.org/profile/kaid_79717... 0
5 https://www.khanacademy.org/profile/kaid_10715... 12
6 https://www.khanacademy.org/profile/kaid_63550... 365
7 https://www.khanacademy.org/profile/kaid_41583... NA
8 https://www.khanacademy.org/profile/kaid_17605... 2
但是,我得到了这个:
link projects
0 https://www.khanacademy.org/profile/kaid_32998... 0
1 https://www.khanacademy.org/profile/kaid_89696... 0
2 https://www.khanacademy.org/profile/kaid_10160... 0
3 https://www.khanacademy.org/profile/kaid_10797... 22
4 https://www.khanacademy.org/profile/kaid_79717... NA
5 https://www.khanacademy.org/profile/kaid_10715... 12
6 https://www.khanacademy.org/profile/kaid_63550... 2
7 https://www.khanacademy.org/profile/kaid_41583... 219
8 https://www.khanacademy.org/profile/kaid_17605... 365
看起来是一样的,但实际上我们可以看到我们的链接
与我们的项目
不正确对应。搞混了。
除了SCRAPING PART
之外,没有线程的代码是相同的
# first part of the scraping
for kaid in profile:
link.append('https://www.khanacademy.org/profile/{}'.format(kaid))
# second part of the scraping
for kaid in profile:
data = requests.get('https://www.khanacademy.org/api/internal/user/scratchpads?casing=camel&kaid={}&sort=1&page=0&limit=40000&subject=all&lang=en&_=190425-1456-9243a2c09af3_1556290764747'.format(kaid))
try:
data=data.json()
projects.append(str(len(data['scratchpads'])))
except json.decoder.JSONDecodeError:
projects.append('NA')
我的线程代码有什么问题?为什么一切都变得困惑了?
最佳答案
尝试这样的事情吗?不是附加到链接,然后在执行一些耗时的代码后附加到项目,而是按顺序附加它们,应该可以解决问题。但我正在考虑更好的方法 atm...
d = {'link' : [], 'projects' : []}
############### SCRAPING PART ###############
# my scraping function that we are going to use for each item in profile
def scraper (kaid):
link = 'https://www.khanacademy.org/profile/{}'.format(kaid)
data = requests.get('https://www.khanacademy.org/api/internal/user/scratchpads?casing=camel&kaid={}&sort=1&page=0&limit=40000&subject=all&lang=en&_=190425-1456-9243a2c09af3_1556290764747'.format(kaid))
try:
data=data.json()
projects = str(len(data['scratchpads']))
except json.decoder.JSONDecodeError:
projects ='NA'
d['link'].append(link)
d['projects'].append(projects)
不同的解决方案(大概,不是真的)
或者更好的是,在线程执行结束时返回链接和项目,然后添加它们...(我不确定它是否会起作用)
def scraper (kaid):
link = 'https://www.khanacademy.org/profile/{}'.format(kaid)
data = requests.get('https://www.khanacademy.org/api/internal/user/scratchpads?casing=camel&kaid={}&sort=1&page=0&limit=40000&subject=all&lang=en&_=190425-1456-9243a2c09af3_1556290764747'.format(kaid))
try:
data=data.json()
projects = str(len(data['scratchpads']))
except json.decoder.JSONDecodeError:
projects = 'NA'
return link, projects
# the threading part
with concurrent.futures.ThreadPoolExecutor(max_workers=5) as executor:
future_kaid = {executor.submit(scraper, kaid): kaid for kaid in profile}
for future in concurrent.futures.as_completed(future_kaid):
kaid = future_kaid[future]
data = future.result()
link.append(data[0])
projects.append(data[1])
我想说第二个是更好的解决方案,因为它会等待所有线程执行后再将所有数据处理到 DataFrame 中。对于第一个,仍然有可能发生时序不一致(但是,这些偏差非常小,因为我们谈论的只是千兆赫时钟速度的滴答声,但为了完全消除这种可能性,第二个选项更好)。
关于python - 如何在要抓取的 url 列表中安全地执行多线程?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55941173/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!