数据抓取的艺术（二）

原文地址：http://blog.chinaunix.net/uid-22414998-id-3695673.html

续前文：《数据抓取的艺术（一）：Selenium+Phantomjs数据抓取环境配置》。


程序优化：第一步
开始：

for i in range(startx,total):
    for j in range(starty,total):
        BASE_URL = createTheUrl([item[i],item[j]])
        driver.get(BASE_URL)
        driver = webdriver.PhantomJS()
        html = driver.page_source
        output = filterOutcome(html)
        driver.quit()
        print 'i='+str(i)+'tj='+str(j)+'tresult='+str(output)
    j += 1

      每个耗时约27秒。

修改后：

driver = webdriver.PhantomJS()
for i in range(startx,total):
    for j in range(starty,total):
        BASE_URL = createTheUrl([item[i],item[j]])
        driver.get(BASE_URL)
        html = driver.page_source
        output = filterOutcome(html)

        print 'i='+str(i)+'tj='+str(j)+'tresult='+str(output)
        if output == -1:
            driver.quit()
            exit(0)
    j += 1
driver.quit()

      这回只分析了3个，共52秒，每个耗时约17秒，只是因为避免了重复PhantomJS的开启、运行和关闭这一过程。

程序优化：第二步
      减少对角线重复请求次数：

driver = webdriver.PhantomJS()
for i in range(startx,total):
    if starty != -1:
        k = i
    else:
        k = starty
    for j in range(k,total):
        BASE_URL = createTheUrl([item[i],item[j]])
        driver.get(BASE_URL)
        html = driver.page_source
        output = filterOutcome(html)

        print 'i='+str(i)+'tj='+str(j)+'tresult='+str(output)
        if output == -1:
            driver.quit()
            exit(0)
        #toexcel("C:catchoutput.xlsx","Sheet1",output,i,j)
    j += 1
driver.quit()

     和上面的待分析的个数一样，花费21秒，每个耗时约7秒。如果开启excel存储，则共花费25秒，每个耗时约8秒。

程序优化：第三步
      减少写入Excel的次数，提高硬盘性能。当然，数据量越大，次数越多，效果越明显。这次把Excel一直打开，每隔20个保存一次。

#打开Excel插件
xlsApp = win32com.client.Dispatch("Excel.Application")
xlsBook = xlsApp.Workbooks.Open('C:catchoutput.xlsx')
xlsSheet = xlsBook.Sheets('Sheet1')

#开启webdirver的PhantomJS对象
driver = webdriver.PhantomJS()

#main()
for i in range(startx,total):
    if starty != -1:
        k = i
    else:
        k = starty
    for j in range(k,total):
        BASE_URL = createTheUrl([item[i],item[j]])
        driver.get(BASE_URL)
        html = driver.page_source
        output = filterOutcome(html)

        print 'i='+str(i)+'tj='+str(j)+'tresult='+str(output)
        mycounter += 1

        if output == -1:
            driver.quit()
            xlsBook.Save()
            xlsBook.Close()
            xlsApp.Quit()
            exit(0)
        xlsSheet.Cells(j+1,i+1).Value = xlsSheet.Cells(i+1,j+1).Value = output

        #每隔20个保存一次，并重新清零
        if mycounter%20 == 0:
            print "~~~~~~ SAVED HERE ~~~~~~"
            xlsBook.Save()
            mycounter = 0
    j += 1

#程序结束前的清扫工作
driver.quit()
xlsBook.Save()
xlsBook.Close()
xlsApp.Quit()

      结果如下：

>>>
请输入起始XaaS的序号X：0
请输入起始XaaS的序号Y：0
待处理数据记录总数：8 条
待处理握手总数：36 次
读取info.txt文件成功

计时开始!

----------------
i=0	j=0	result=14000000
i=0	j=1	result=2
i=0	j=2	result=8
i=0	j=3	result=1
i=0	j=4	result=80400
i=0	j=5	result=2
i=0	j=6	result=3
i=0	j=7	result=8470
i=1	j=1	result=394000
i=1	j=2	result=3140
i=1	j=3	result=9
i=1	j=4	result=57
i=1	j=5	result=7
i=1	j=6	result=3790
i=1	j=7	result=718
i=2	j=2	result=7110000
i=2	j=3	result=7
i=2	j=4	result=4
i=2	j=5	result=232000
i=2	j=6	result=382000
i=2	j=7	result=7970
i=3	j=3	result=981000
i=3	j=4	result=7
i=3	j=5	result=1
i=3	j=6	result=2
i=3	j=7	result=10
i=4	j=4	result=398000
i=4	j=5	result=4
i=4	j=6	result=3850
i=4	j=7	result=1390
i=5	j=5	result=275000
i=5	j=6	result=32100
i=5	j=7	result=8
i=6	j=6	result=8050000
i=6	j=7	result=67800
i=7	j=7	result=738000
----------------

执行成功！

程序耗时：72 秒

    相当于每次握手，花费2秒。但这还存在一个致命伤，那就是在随着数据量的激增，以后经常要保存上万个值，每次都保存，那么次数越多写入量就会越大。只是希望微软的Excel已经能够知道：哪些是未改动数据就不必再次写入，哪些数据改动过需要写入。

程序优化：第四步
      使用多线程+使用数据库。如果不用数据库，就靠读写一个单机版的Excel，效率太低，因此我考虑用Mysql或Sqlite。最后再将结果转出来。