如何使用“请求”模块python进行简单的快速请求？

Question

我是python的初学者，我只是想用模块requests和BeautifulSoup这是我提出的请求。在

我的简单代码是：

import requests, time, re, json
from bs4 import BeautifulSoup as BS

url = "https://www.jobstreet.co.id/en/job-search/job-vacancy.php?ojs=6"

def list_jobs():
    try:
        with requests.session() as s:
            st = time.time()
            s.headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0'}
            req = s.get(url)
            soup = BS(req.text,'html.parser')
            attr = soup.findAll('div',class_='position-title header-text')
            pttr = r".?(.*)Rank=\d+"
            lists = {"status":200,"result":[]}
            for a in attr:
                sr = re.search(pttr, a.find("a")["href"])
                if sr:
                    title = a.find('a')['title'].replace("Lihat detil lowongan -","").replace("\r","").replace("\n","")
                    url = a.find('a')['href']
                    lists["result"].append({
                        "title":title,
                        "url":url,
                        "detail":detail_jobs(url)
                    })
            print(json.dumps(lists, indent=4))
            end = time.time() - st
            print(f"\n{end} second")
    except:
        pass

def detail_jobs(find_url):
    try:
        with requests.session() as s:
            s.headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0'}
            req = s.get(find_url)
            soup = BS(req.text,'html.parser')
            position = soup.find('h1',class_='job-position').text
            name = soup.find('div',class_='company_name').text.strip("\t")
            try:
                addrs = soup.find('div',class_='map-col-wraper').find('p',{'id':'address'}).text
            except Exception:
                addrs = "Unknown"
            try:
                loct = soup.find('span',{'id':'single_work_location'}).text
            except Exception:
                loct = soup.find('span',{'id':'multiple_work_location_list'}).find('span',{'class':'show'}).text        
            dests = soup.findAll('div',attrs={'id':'job_description'})
            for select in dests:
                txt = select.text if not select.text.startswith("\n") or not select.text.endswith("\n") else select.text.replace("\n","")
                result = {
                    "name":name,
                    "location":loct,
                    "position":position,
                    "description":txt,
                    "address":addrs
                }
                return result
    except:
        pass

它们都工作得很好，但需要很长时间才能显示结果，时间总是在13/17秒以上

我不知道如何提高我的请求速度

我尝试过在stack和google上搜索，他们说使用asyncio，但这对我来说太难了。在

如果有人有简单的诀窍如何提高速度与简单的做，我很感激。。在

为我糟糕的英语道歉

Answer 1

通过诸如web报废之类的项目学习Python非常棒。我就是这样被介绍到Python的。也就是说，要提高报废速度，你可以做三件事：

1. 把html解析器改成更快的html.parser“是他们中最慢的。尝试更改为“lxml”或“html5lib”。（读https://www.crummy.com/software/BeautifulSoup/bs4/doc/）

1. 删除循环和正则表达式，因为它们会降低脚本的速度。只需使用beauthoulsoup工具、文本和strip，并找到正确的标记（请参阅下面我的脚本）

2. 由于web报废的瓶颈通常是IO，所以等待从网页获取数据时，使用异步或多线程将提高速度。在下面的脚本中，我使用了多线程。其目的是同时从多个页面提取数据。

所以，如果我们知道最大页数，我们可以将请求分为不同的范围，然后分批提取：）

代码示例：

from collections import defaultdict
from concurrent.futures import ThreadPoolExecutor
from datetime import datetime

import requests
from bs4 import BeautifulSoup as bs

data = defaultdict(list)

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0'}

def get_data(data, headers, page=1):

    # Get start time
    start_time = datetime.now()
    url = f'https://www.jobstreet.co.id/en/job-search/job-vacancy/{page}/?src=20&srcr=2000&ojs=6'
    r = requests.get(url, headers=headers)

    # If the requests is fine, proceed
    if r.ok:
        jobs = bs(r.content,'lxml').find('div',{'id':'job_listing_panel'})
        data['title'].extend([i.text.strip() for i in jobs.find_all('div',{'class':'position-title header-text'})])
        data['company'].extend([i.text.strip() for i in jobs.find_all('h3',{'class':'company-name'})])
        data['location'].extend([i['title'] for i in jobs.find_all('li',{'class':'job-location'})] )
        data['desc'].extend([i.text.strip() for i in jobs.find_all('ul',{'class':'list-unstyled hidden-xs '})])
    else:
        print('connection issues')
    print(f'Page: {page} | Time taken {datetime.now()-start_time}')
    return data


def multi_get_data(data,headers,start_page=1,end_page=20,workers=20):
    start_time = datetime.now()
    # Execute our get_data in multiple threads each having a different page number
    with ThreadPoolExecutor(max_workers=workers) as executor:
        [executor.submit(get_data, data=data,headers=headers,page=i) for i in range(start_page,end_page+1)]

    print(f'Page {start_page}-{end_page} | Time take {datetime.now() -     start_time}')
    return data


# Test page 10-15
k = multi_get_data(data,headers,start_page=10,end_page=15)

结果：

解释多个“获取”数据函数：

此函数将在不同的线程中调用get_data函数，并传递所需的参数。现在，每个线程都有一个不同的页码来调用。最大工作线程数设置为20，即20个线程。您可以相应地增加或减少。在

我们已经创建了变量数据，一个默认字典，它接受列表。所有线程都将填充此数据。然后可以将此变量强制转换为json或Pandas DataFrame:）

如您所见，我们有5个请求，每个请求不到2秒，但总数仍不到2秒；）

享受网页刮刮。在

更新日期：2019年12月22日

我们还可以通过使用带有单个标题更新的会话来获得一些速度。所以我们不必每次通话都开始通话。在

^{pr2}$

Answer 2

瓶颈是服务器对简单请求的响应缓慢。在

尝试并行请求。在

您也可以使用线程而不是asyncio。下面是前面的一个问题，解释一下如何在Python中并行处理任务：

Executing tasks in parallel in python

请注意，一个智能配置的服务器仍然会减慢您的请求，或者如果您未经许可进行抓取，则会禁止您。在

Answer 3

这是我的建议：用良好的体系结构编写代码，并将其划分为函数并编写更少的代码。以下是使用请求的示例之一：

from requests import get
from requests.exceptions import RequestException
from contextlib import closing
from bs4 import BeautifulSoup

def simple_get(url):
    """
    Attempts to get the content at `url` by making an HTTP GET request.
    If the content-type of response is some kind of HTML/XML, return the
    text content, otherwise return None.
    """
    try:
        with closing(get(url, stream=True)) as resp:
            if is_good_response(resp):
                return resp.content
            else:
                return None

    except RequestException as e:
        log_error('Error during requests to {0} : {1}'.format(url, str(e)))
        return None


def is_good_response(resp):
    """
    Returns True if the response seems to be HTML, False otherwise.
    """
    content_type = resp.headers['Content-Type'].lower()
    return (resp.status_code == 200 
            and content_type is not None 
            and content_type.find('html') > -1)


def log_error(e):
    """
    It is always a good idea to log errors. 
    This function just prints them, but you can
    make it do anything.
    """
    print(e)

在需要时间的地方调试代码，找出它们并在这里讨论。这样可以帮助你解决问题。在