Python提高代码速度Pandas.append

Question

所以我试图从here中摘取标题。整整10年。你知道吗

years是一个包含

/resources/archive/us/2007.html
/resources/archive/us/2008.html
/resources/archive/us/2009.html
/resources/archive/us/2010.html
/resources/archive/us/2011.html
/resources/archive/us/2012.html
/resources/archive/us/2013.html
/resources/archive/us/2014.html
/resources/archive/us/2015.html
/resources/archive/us/2016.html

因此，我的代码在这里所做的是，它打开每年的页面，收集所有的日期链接，然后单独打开每个链接，获取所有的.text，并将每个标题和相应的日期作为一行添加到dataframe headlines

headlines = pd.DataFrame(columns=["date", "headline"])

for y in years:
   yurl = "http://www.reuters.com"+str(y)
   response=requests.get(yurl,headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36', })
   bs= BeautifulSoup(response.content.decode('ascii', 'ignore'),'lxml') 

   days =[]
   links = bs.findAll('h5')
   for mon in links:
      for day in mon.next_sibling.next_sibling:
          days.append(day)

   days = [e for e in days if str(e) not in ('\n')]
   for ind in days:
       hlday = ind['href']
       date = re.findall('(?!\/)[0-9].+(?=\.)', hlday)[0]
       date =  date[4:6] + '-' + date[6:] + '-' + date[:4]
       print(date.split('-')[2])
       yurl = "http://www.reuters.com"+str(hlday)
       response=requests.get(yurl,headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36', })
       if response.status_code == 404 or response.content == b'':
           print('')
       else: 
           bs= BeautifulSoup(response.content.decode('ascii', 'ignore'),'lxml') 
           lines = bs.findAll('div', {'class':'headlineMed'})
           for h in lines:
               headlines = headlines.append([{"date":date, "headline":h.text}], ignore_index = True)

运行它需要很长时间，所以我没有运行for循环，而是运行了这一年/resources/archive/us/2008.html

已经三个小时了，它还在运行。你知道吗

由于我是Python新手，我不明白自己做错了什么，也不知道如何才能做得更好。你知道吗

会不会是pandas.append因为每次运行都要读写一个更大的数据帧而花费了很长时间？你知道吗

Answer 1

您正在使用此反模式：

headlines = pd.DataFrame()
for for y in years:
    for ind in days:
        headlines = headlines.append(blah)

相反，请执行以下操作：

headlines = []
for for y in years:
    for ind in days:
        headlines.append(pd.DataFrame(blah))

headlines = pd.concat(headlines)

第二个潜在的问题是您正在发出3650个web请求。如果我经营这样一个网站，我会建立节流，以减缓像你这样的刮板。您可能会发现最好只收集一次原始数据，将其存储在磁盘上，然后在第二次处理中进行处理。这样就不会在每次需要调试程序时产生3650个web请求的开销。你知道吗