Szukałem sposobu na zoptymalizowanie mojego kodu, gdy usłyszałem kilka dobrych rzeczy na temat wątków i urllib3. Najwyraźniej ludzie nie zgadzają się, które rozwiązanie jest najlepsze.

Problem z moim skryptem poniżej to czas wykonania: tak wolno!

Krok 1: Pobieram tę stronęhttp://www.cambridgeesol.org/institutions/results.php?region=Afghanistan&type=&BULATS=on

Krok 2: Analizuję stronę za pomocą BeautifulSoup

Krok 3: Dane umieściłem w dokumencie excela

Krok 4: Robię to jeszcze raz i jeszcze raz, i ponownie dla wszystkich krajów na mojej liście (duża lista) (zmieniam tylko „Afganistan” w adresie URL na inny kraj)

Oto mój kod:

<code>ws = wb.add_sheet("BULATS_IA") #We add a new tab in the excel doc
    x = 0 # We need x and y for pulling the data into the excel doc
    y = 0
    Countries_List = ['Afghanistan','Albania','Andorra','Argentina','Armenia','Australia','Austria','Azerbaijan','Bahrain','Bangladesh','Belgium','Belize','Bolivia','Bosnia and Herzegovina','Brazil','Brunei Darussalam','Bulgaria','Cameroon','Canada','Central African Republic','Chile','China','Colombia','Costa Rica','Croatia','Cuba','Cyprus','Czech Republic','Denmark','Dominican Republic','Ecuador','Egypt','Eritrea','Estonia','Ethiopia','Faroe Islands','Fiji','Finland','France','French Polynesia','Georgia','Germany','Gibraltar','Greece','Grenada','Hong Kong','Hungary','Iceland','India','Indonesia','Iran','Iraq','Ireland','Israel','Italy','Jamaica','Japan','Jordan','Kazakhstan','Kenya','Kuwait','Latvia','Lebanon','Libya','Liechtenstein','Lithuania','Luxembourg','Macau','Macedonia','Malaysia','Maldives','Malta','Mexico','Monaco','Montenegro','Morocco','Mozambique','Myanmar (Burma)','Nepal','Netherlands','New Caledonia','New Zealand','Nigeria','Norway','Oman','Pakistan','Palestine','Papua New Guinea','Paraguay','Peru','Philippines','Poland','Portugal','Qatar','Romania','Russia','Saudi Arabia','Serbia','Singapore','Slovakia','Slovenia','South Africa','South Korea','Spain','Sri Lanka','Sweden','Switzerland','Syria','Taiwan','Thailand','Trinadad and Tobago','Tunisia','Turkey','Ukraine','United Arab Emirates','United Kingdom','United States','Uruguay','Uzbekistan','Venezuela','Vietnam']
    Longueur = len(Countries_List)



    for Countries in Countries_List:
        y = 0

        htmlSource = urllib.urlopen("http://www.cambridgeesol.org/institutions/results.php?region=%s&type=&BULATS=on" % (Countries)).read() # I am opening the page with the name of the correspondant country in the url
        s = soup(htmlSource)
        tableGood = s.findAll('table')
        try:
            rows = tableGood[3].findAll('tr')
            for tr in rows:
                cols = tr.findAll('td')
                y = 0
                x = x + 1
                for td in cols:
                    hum =  td.text
                    ws.write(x,y,hum)
                    y = y + 1
                    wb.save("%s.xls" % name_excel)

        except (IndexError):
            pass
</code>

Wiem więc, że wszystko nie jest idealne, ale czekam na nowe rzeczy w Pythonie! Skrypt jest bardzo wolny, ponieważ urllib2 nie jest tak szybki, a BeautifulSoup. W przypadku zupy chyba nie mogę tego zrobić lepiej, ale dla urllib2 nie.

EDYTUJ 1:Wieloprocesowość bezużyteczna z urllib2? Wydaje się być interesujący w moim przypadku. Co myślicie o tym potencjalnym rozwiązaniu ?!

<code># Make sure that the queue is thread-safe!!

def producer(self):
    # Only need one producer, although you could have multiple
    with fh = open('urllist.txt', 'r'):
        for line in fh:
            self.queue.enqueue(line.strip())

def consumer(self):
    # Fire up N of these babies for some speed
    while True:
        url = self.queue.dequeue()
        dh = urllib2.urlopen(url)
        with fh = open('/dev/null', 'w'): # gotta put it somewhere
            fh.write(dh.read())
</code>

EDYCJA 2: URLLIB3 Czy ktoś może mi powiedzieć coś więcej na ten temat?

Użyj ponownie tego samego połączenia gniazda dla wielu żądań (HTTPConnectionPool i HTTPSConnectionPool) (z opcjonalną weryfikacją certyfikatu po stronie klienta).https://github.com/shazow/urllib3

O ile proszę o 122 razy tę samą stronę dla różnych stron, myślę, że ponowne użycie tego samego połączenia z gniazdem może być interesujące, czy się mylę? Nie może być szybciej? ...

<code>http = urllib3.PoolManager()
r = http.request('GET', 'http://www.bulats.org')
for Pages in Pages_List:
    r = http.request('GET', 'http://www.bulats.org/agents/find-an-agent?field_continent_tid=All&field_country_tid=All&page=%s' % (Pages))
    s = soup(r.data)
</code>