So verbessern Sie die Geschwindigkeit des Webscrapping-Codes durch Multithreading-Code-Python

Question

Unten ist mein Code, in dem ich Zeile für Zeile schreibe (es gibt ungefähr 900 Seiten mit 10 Zeilen und 5 Daten in jeder Zeile). Gibt es eine Möglichkeit, dies schneller zu machen? Derzeit dauert es 80 Minuten , um die Daten in csv zu exportieren. Gibt es eine Möglichkeit, parallele Anforderungen an Seiten zu stellen und diesen Code effizienter zu gestalten?

import requests
from urllib3.exceptions import InsecureRequestWarning
import csv

requests.packages.urllib3.disable_warnings(InsecureRequestWarning)
from bs4 import BeautifulSoup as bs

f = csv.writer(open('GEM.csv', 'w', newline=''))
f.writerow(['Bidnumber', 'Items', 'Quantitiy', 'Department', 'Enddate'])


def scrap_bid_data():
    page_no = 1
    while page_no < 910:
        print('Hold on creating URL to fetch data...')
        url = 'https://bidplus.gem.gov.in/bidlists?bidlists&page_no=' + str(page_no)
        print('URL created: ' + url)
        scraped_data = requests.get(url, verify=False)
        soup_data = bs(scraped_data.text, 'lxml')
        extracted_data = soup_data.find('div', {'id': 'pagi_content'})
        if len(extracted_data) == 0:
            break
        else:
            for idx in range(len(extracted_data)):
                if (idx % 2 == 1):
                    bid_data = extracted_data.contents[idx].text.strip().split('\n')

                    bidno = bid_data[0].split(":")[-1]
                    items = bid_data[5].split(":")[-1]
                    qnty = int(bid_data[6].split(':')[1].strip())
                    dept = (bid_data[10] + bid_data[12].strip()).split(":")[-1]
                    edate = bid_data[17].split("End Date:")[-1]
                    f.writerow([bidno, items, qnty, dept, edate])

            page_no=page_no+1
scrap_bid_data()

Answer 1

Ich habe Ihren Code ein wenig umstrukturiert, um sicherzustellen, dass Ihre CSV-Datei geschlossen ist. Ich habe auch die folgende Fehlermeldung erhalten:

ConnectionError: HTTPSConnectionPool (host = 'bidplus.gem.gov.in', port = 443): Maximale Wiederholungsversuche mit URL überschritten: / bidlists? Bidlists & page_no = 1 (verursacht durch NewConnectionError ('<urllib3.connection.HTTPSConnection-Objekt bei 0x0000012EB0DF1E80) Fehler beim Herstellen einer neuen Verbindung: [WinError 10060] Ein Verbindungsversuch ist fehlgeschlagen, weil der verbundene Teilnehmer nach einer bestimmten Zeit nicht richtig geantwortet hat, oder der Verbindungsaufbau ist fehlgeschlagen, weil der verbundene Host nicht geantwortet hat ',))

Sie sollten mit dem NUMBER_THREADSWert experimentieren :

import requests
from urllib3.exceptions import InsecureRequestWarning
import csv
import concurrent.futures
import functools

requests.packages.urllib3.disable_warnings(InsecureRequestWarning)
from bs4 import BeautifulSoup as bs


def download_page(session, page_no):
    url = 'https://bidplus.gem.gov.in/bidlists?bidlists&page_no=' + str(page_no)
    print('URL created: ' + url)
    resp = session.get(url, verify=False)
    return resp.text


def scrap_bid_data():
    NUMBER_THREADS = 30 # number of concurrent download requests
    with open('GEM.csv', 'w', newline='') as out_file:
        f = csv.writer(out_file)
        f.writerow(['Bidnumber', 'Items', 'Quantitiy', 'Department', 'Enddate'])
        with requests.Session() as session:
            page_downloader = functools.partial(download_page, session)
            with concurrent.futures.ThreadPoolExecutor(max_workers=NUMBER_THREADS) as executor:
                pages = executor.map(page_downloader, range(1, 910))
                page_no = 0
                for page in pages:
                    page_no += 1
                    soup_data = bs(page, 'lxml')
                    extracted_data = soup_data.find('div', {'id': 'pagi_content'})
                    if extracted_data is None or len(extracted_data) == 0:
                        print('No data at page number', page_no)
                        print(page)
                        break
                    else:
                        for idx in range(len(extracted_data)):
                            if (idx % 2 == 1):
                                bid_data = extracted_data.contents[idx].text.strip().split('\n')

                                bidno = bid_data[0].split(":")[-1]
                                items = bid_data[5].split(":")[-1]
                                qnty = int(bid_data[6].split(':')[1].strip())
                                dept = (bid_data[10] + bid_data[12].strip()).split(":")[-1]
                                edate = bid_data[17].split("End Date:")[-1]
                                f.writerow([bidno, items, qnty, dept, edate])
scrap_bid_data()