网站 php 源码,微商货源网站源码,招标网站免费平台,中徽园林建设有限公司网站使用 Python 爬取站长素材简历模板 简介
在本教程中#xff0c;我们将学习如何使用 Python 来爬取站长素材网站上的简历模板。我们将使用requests和BeautifulSoup库来发送 HTTP 请求和解析 HTML 页面。本教程将分为两个部分#xff1a;第一部分是使用BeautifulSoup的方法我们将学习如何使用 Python 来爬取站长素材网站上的简历模板。我们将使用requests和BeautifulSoup库来发送 HTTP 请求和解析 HTML 页面。本教程将分为两个部分第一部分是使用BeautifulSoup的方法第二部分是使用lxml的方法并比较两者的差异。
环境准备
首先确保你已经安装了 Python。然后安装以下库
pip install requests beautifulsoup4 lxml方法一使用 BeautifulSoup
1.导入库
import requests
from bs4 import BeautifulSoup
import os2.创建文件夹用于保存爬取的简历图片
if not os.path.exists(resume_templates_images):os.makedirs(resume_templates_images)
3.爬取第一页
first_page_url https://sc.chinaz.com/jianli/free.html
response requests.get(first_page_url)
response.encoding utf-8if response.status_code 200:soup BeautifulSoup(response.text, html.parser)templates soup.find_all(div, class_box col3 ws_block)for template in templates:link template.find(a, target_blank)[href]img template.find(img)[src]if img.startswith(//):img https: imgtitle template.find(p).find(a).text.strip()img_response requests.get(img)if img_response.status_code 200:img_name f{title.replace( , _)}.jpgimg_path os.path.join(resume_templates_images, img_name)with open(img_path, wb) as f:f.write(img_response.content)else:print(f下载图片 {img} 失败状态码: {img_response.status_code})
4.爬取第二页到第五页
在这里插入代base_url https://sc.chinaz.com/jianli/free_
for page_num in range(2, 6):url f{base_url}{page_num}.htmlresponse requests.get(url)response.encoding utf-8if response.status_code 200:soup BeautifulSoup(response.text, html.parser)templates soup.find_all(div, class_box col3 ws_block)for template in templates:link template.find(a, target_blank)[href]img template.find(img)[src]if img.startswith(//):img https: imgtitle template.find(p).find(a).text.strip()img_response requests.get(img)if img_response.status_code 200:img_name f{title.replace( , _)}.jpgimg_path os.path.join(resume_templates_images, img_name)with open(img_path, wb) as f:f.write(img_response.content)else:print(f下载图片 {img} 失败状态码: {img_response.status_code})
码片方法二使用 lxml
first_page_url https://sc.chinaz.com/jianli/free.html
response requests.get(first_page_url)
response.encoding utf-8if response.status_code 200:tree etree.HTML(response.text)templates tree.xpath(//div[classbox col3 ws_block])for template in templates:link template.xpath(.//a[target_blank]/href)[0]img template.xpath(.//img/src)[0]if img.startswith(//):img https: imgtitle template.xpath(.//p/a[classtitle_wl]/text())[0].strip()img_response requests.get(img)if img_response.status_code 200:img_name f{title.replace( , _)}.jpgimg_path os.path.join(resume_templates_images, img_name)with open(img_path, wb) as f:f.write(img_response.content)else:print(f下载图片 {img} 失败状态码: {img_response.status_code})
同方法一但使用lxml的xpath方法。
方法比较
• 解析速度lxml通常比BeautifulSoup快特别是在处理大型 HTML 文档时。
• 易用性BeautifulSoup提供了更直观的方法来查找元素如find和find_all而lxml使用xpath这可能需要更多的学习。
• 灵活性xpath在定位复杂的 HTML 结构时更加灵活但也需要更复杂的查询。
通过运行我们发现这段代码的执行时间较长那么我们有没有方法来缩短运行时间呢
import asyncio
import aiohttp
from bs4 import BeautifulSoup
import os
import time # 导入time模块来记录时间# 创建一个文件夹resume_templates_images用于保存图片
if not os.path.exists(resume_templates_images):os.makedirs(resume_templates_images)# 用于存储所有页面的模板数据
all_template_data []async def fetch(session, url):async with session.get(url) as response:return await response.text()async def parse_page(session, url):soup BeautifulSoup(await fetch(session, url), html.parser)templates soup.find_all(div, class_box col3 ws_block)for template in templates:link template.find(a, target_blank)[href]img template.find(img)[src]if img.startswith(//):img https: imgtitle template.find(p).find(a).text.strip()async with session.get(img) as img_response:if img_response.status 200:img_name f{title.replace( , _)}.jpgimg_path os.path.join(resume_templates_images, img_name)with open(img_path, wb) as f:f.write(await img_response.read())all_template_data.append({title: title,img_url: img,link: link})async def main():start_time time.time() # 记录开始时间async with aiohttp.ClientSession() as session:# 处理第一页await parse_page(session, https://sc.chinaz.com/jianli/free.html)# 处理第二页到第五页for page_num in range(2, 6):url fhttps://sc.chinaz.com/jianli/free_{page_num}.htmlawait parse_page(session, url)# 输出所有页面的模板数据for idx, data in enumerate(all_template_data, 1):print(f模板 {idx}:)print(f名称: {data[title]})print(f图片链接: {data[img_url]})print(f模板链接: {data[link]})print( * 50)end_time time.time() # 记录结束时间run_time end_time - start_time # 计算运行时间print(f程序运行时间{run_time:.2f}秒)if __name__ __main__:asyncio.run(main())这段代码是一个使用asyncio和aiohttp库来异步爬取站长素材网站上的简历模板的 Python 脚本。以下是代码的详细解释和如何加快爬取速度的说明
• parse_page 函数一个异步函数用于解析页面内容提取模板链接和图片链接并下载图片。
• 异步 I/O使用asyncio和aiohttp可以实现异步 I/O 操作这意味着在等待网络响应时程序可以执行其他任务而不是被阻塞。这样可以显著提高爬取效率特别是在需要处理多个页面时。 这段代码是顺序并发执行执行每个页面的爬取有没有更快的方式——并发执行 • 并发请求使用asyncio.gather来同时启动多个parse_page任务。
修改代码以实现并发请求
以下是如何修改main函数来实现并发请求
async def main():start_time time.time() # 记录开始时间async with aiohttp.ClientSession() as session:# 处理第一页tasks [parse_page(session, https://sc.chinaz.com/jianli/free.html)]# 处理第二页到第五页并发执行for page_num in range(2, 6):url fhttps://sc.chinaz.com/jianli/free_{page_num}.htmltasks.append(parse_page(session, url))# 等待所有页面处理完成await asyncio.gather(*tasks)# 输出所有页面的模板数据for idx, data in enumerate(all_template_data, 1):print(f模板 {idx}:)print(f名称: {data[title]})print(f图片链接: {data[img_url]})print(f模板链接: {data[link]})print( * 50)end_time time.time() # 记录结束时间run_time end_time - start_time # 计算运行时间print(f程序运行时间{run_time:.2f}秒)if __name__ __main__:asyncio.run(main())在这个修改后的版本中所有的页面爬取任务都被添加到一个列表中然后使用asyncio.gather来并发执行这些任务。这样可以同时发送多个请求而不是等待一个请求完成后再发送下一个请求从而加快整体的爬取速度。
import asyncio
import aiohttp
from bs4 import BeautifulSoup
import os
import time
import aiofiles# 创建一个文件夹resume_templates_images用于保存图片
if not os.path.exists(resume_templates_images):os.makedirs(resume_templates_images)# 用于存储所有页面的模板数据
all_template_data []
#async with aiohttp.ClientSession() as session
async def fetch(session, url):async with session.get(url) as response:return await response.text()#返回字符串形式的响应数据async def parse_page(session, url):soup BeautifulSoup(await fetch(session, url), html.parser)templates soup.find_all(div, class_box col3 ws_block)for template in templates:link template.find(a, target_blank)[href]img template.find(img)[src]if img.startswith(//):img https: imgtitle template.find(p).find(a).text.strip()async with session.get(img) as img_response:if img_response.status 200:file_type .jpg.rar# 以rar压缩文件的形式储存img_name f{title.replace( , _)file_type}# 更改保存的格式仅需修改img_path os.path.join(resume_templates_images, img_name)async with aiofiles.open(img_path, wb) as f:await f.write(await img_response.read())# read()返回二进制数据all_template_data.append({title: title,img_url: img,link: link})async def main():start_time time.time() # 记录开始时间async with aiohttp.ClientSession() as session:# 创建任务列表tasks []# 处理第一页task asyncio.create_task(parse_page(session, https://sc.chinaz.com/jianli/free.html))tasks.append(task)# 处理第二页到第五页并发执行for page_num in range(2, 6):url fhttps://sc.chinaz.com/jianli/free_{page_num}.htmltask asyncio.create_task(parse_page(session, url))tasks.append(task)# 等待所有页面处理完成 挂起任务列表 asyncio.gather 是 Python asyncio 模块中的一个函数它用于并发地运行多个协程并且等待它们全部完成。# asyncio.gather 的作用类似于 asyncio.wait但它不仅等待协程完成还会返回一个包含所有结果的列表。await asyncio.gather(*tasks)# 输出所有页面的模板数据for idx, data in enumerate(all_template_data, 1):print(f模板 {idx}:)print(f名称: {data[title]})print(f图片链接: {data[img_url]})print(f模板链接: {data[link]})print( * 50)end_time time.time() # 记录结束时间run_time end_time - start_time # 计算运行时间print(f程序运行时间{run_time:.2f}秒)if __name__ __main__:asyncio.run(main())
