BeautifulSoup Perfを改善します

Question

したがって、おいしい情報を解析するコードの次のセットがあります。次の形式でおいしいページからのデータを印刷します

ブックマーク|人々の数

ブックマーク|人の数など...

以前は、この情報を見つけるために次の方法を使用していました。

def extract (soup):
    links = soup.findAll('a',rel='nofollow')
    for link in links:
        print >> outfile, link['href']

    hits = soup.findAll('span', attrs={'class': 'delNavCount'})
    for hit in hits:
        print >> outfile, hit.contents


#File to export data to
outfile = open("output.txt", "w")

#Browser Agent
br = Browser()    
br.set_handle_robots(False)
br.addheaders = [('User-agent', 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.1) Gecko/2008071615 Fedora/3.0.1-1.fc9 Firefox/3.0.1')]


url= "http://www.delicious.com/asd"
page = br.open(url)
html = page.read()
soup = BeautifulSoup(html)
extract(soup)

しかし、問題は、一部のブックマークには多くの人がいないことでした。そのため、データを同時に取得し、ブックマークと数の人を並べて印刷するように、別の人を解析することにしました。

編集：この更新されたバージョンで15〜5秒間、それ以上の提案

def extract (soup):
    bookmarkset = soup.findAll('div', 'data')
    for bookmark in bookmarkset:
        link = bookmark.find('a',)
        vote = bookmark.find('span', 'delNavCount')
        try:
            print >> outfile, link['href'], " | " ,vote.contents
        except:
            print >> outfile, "[u'0']"
    #print bookmarkset


#File to export data to
outfile = open("output.txt", "w")

#Browser Agent
br = Browser()    
br.set_handle_robots(False)
br.addheaders = [('User-agent', 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.1) Gecko/2008071615 Fedora/3.0.1-1.fc9 Firefox/3.0.1')]


url= "http://www.delicious.com/asd"
page = br.open(url)
html = page.read()
soup = BeautifulSoup(html)
extract(soup)

しかし、これのパフォーマンスはひどいですが、最初のページを解析するのに17秒かかり、その後はかなりまともなマシンで約15秒かかります。コードの最初のビットから2番目のビットに進むと、大幅に低下しました。ここでパフォーマンスを輸入するためにできることはありますか？

Answer 1

なぜあなたが割り当てているのかわかりません vote - 2回。最初の割り当ては不要であり、実際には非常に重いです。なぜなら、各反復でドキュメント全体を解析する必要があるからです。なんで？

   vote = BeautifulSoup(html)
   vote = bookmark.findAll('span', attrs={'class': 'delNavCount'})

Answer 2

パフォーマンスを心配している場合は、スクリーンスクレーピングではなく、おいしいAPIに話しかけるものを見るかもしれません。 Pydelious. 。例えば：

>>> import pydelicious
>>> pydelicious.get_userposts('asd')
[{'extended': '', 'description': u'Ksplice - System administration and software blog', 'tags': u'sysadm, blog, interesting', 'url': u'http://blog.ksplice.com/', 'user': u'asd'

Answer 3

BeautifulSoupは、この場合に必要なものよりもはるかに多くのことを行います。あなたが本当に速度を上げたいなら、私はurllib +シンプルなラインバイラインパーサーのより基本的なアプローチをとることをお勧めします。

「ASD」の例のサイズをページに解析すると、最新のマシンで1秒未満かかるはずです。