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()
if output == -1:
driver.quit()
exit(0)
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:
if starty != -1:
k = i
else:
k = starty
for j in range(k,total):
#toexcel("c:catchoutput.xlsx","sheet1",output,i,j)
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
#main()
mycounter += 1
xlsbook.save()
xlsbook.close()
xlsapp.quit()
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 ~~~~~~"
mycounter = 0
#程序结束前的清扫工作
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。
也请参看下文: 《数据抓取的艺术(三):抓取google数据之心得》