网络抓取多处理不起作用
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了网络抓取多处理不起作用相关的知识,希望对你有一定的参考价值。
我正在尝试在大量网址上使用网页抓取,我应用多处理来加速,但不知道为什么它根本无法加速。这是我的代码的一部分:
def scrap(url,output_path):
page = urlopen(URL)
soup = BeautifulSoup(page, 'html.parser')
item_text = soup.select('#scatter6001 script')[0].text
table = soup.find_all('table',{'class':'noborder dark'})
df1 = pd.read_html(str(table),header = 0)
df1 = pd.DataFrame(df1[0])
...
# function for scraping the data from url
rootPath = '...'
urlp1 = "https://www.proteinatlas.org/"
try:
df1 = pd.read_csv(rootPath + "cancer_list1_2(1).csv", header=0);
except Exception as e:
print("File " + f + " doesn't exist")
print(str(e))
sys.exit()
cancer_list = df1.as_matrix().tolist()
URLs = []
for cancer in cancer_list:
urlp2 = "/pathology/tissue/" + cancer[1]
f = cancer[0]
try:
df1 = pd.read_csv(rootPath + f + ".csv", header=0);
except Exception as e:
print("File " + f + " doesn't exist")
print(str(e))
sys.exit()
...
# list of URLs
if __name__ == '__main__':
pool = multiprocessing.Pool(processes=6)
records = p.map(scrap(url,output_path))
p.terminate()
p.join()
不确定如何使用多处理加速网页抓取。
答案
你实际上并没有使用多处理。您正在运行scrap
函数一次并将结果作为参数传递给p.map()
。相反,您需要传递一个可调用的参数,例如:
func = lambda url: scrap(url, output_path)
p.map(func, list_of_urls)
以上是关于网络抓取多处理不起作用的主要内容,如果未能解决你的问题,请参考以下文章