求教:初学 python,写了一个搜集豆瓣图书评价信息的爬虫, 但是运行时间过长.

[joddeapple]

主要是里面的一个正则表达式在处理文本的时候用很长时间,导致程序几乎不可用.
turple_list = re.findall(r'href="(http://book.douban.com/subject/\d+?/)"\s+?title="(.+?)".+?"rating_nums">(.+?)<.+?class="pl">.+?(\d+?)人评价)',text,re.DOTALL)

有没有什么办法改进呢?

求指教.

源代码:https://github.com/nexusfool/project_code/blob/master/s_book.py

[ljcarsenal]

用 标签筛选器 会不会快点。。

[cxshun]

正则表达式会慢很多，既然是HTML，建议用xpath。

[JoeShu]

1. 用scrapy
2. 用requests+beautifulsoup+multiprocess

[joddeapple]

@cxshun
@ljcarsenal
这两种东西都是第一次听到,谢谢

[joddeapple]

@JoeShu 我去看看,谢谢

[egrcc]

确定是正则表达式的问题？正则的速度应该不慢才对

[chevalier]

用scrapy自带的xpath试试，也很快

[ericls]

如果想学习
建议asyncio + 各种选择器

[icedx]

Python 的正则能用?

[binux]

你的问题出在 .+? 和 re.DOTALL 上

.+? 全字符匹配，导致匹配栈太深
re.DOTALL 导致文字过长

一般情况下，正则是比建树要快的，但是你正则写得太烂也没有办法

[icedx]

本来是想写个完整版的
但是看到虫子菊楼上回了... 唉...
身为弱渣的我...

一半将就看吧
https://gist.github.com/anonymous/9cc4e94afb244f335fee

[hiddenman]

豆瓣是学习爬数据的天堂。。

[StrayBugs]

大致看了一下，主要应该不是正则的问题，而是你把所有的结果都合并成一条 string 了。页与页都是独立的，你用 list 放每个页面，再分别匹配就好啦。

[zhcheng]

我不会。 最近在学Python 。
下面是收藏的一个来自 知乎 [关于Python 实现爬虫] 的回答， 有提到性能优化。希望有所帮助

http://www.zhihu.com/question/20899988/answer/24923424

[joddeapple]

谢谢大家的帮助.

[ming2281]

一般爬虫运行得比较慢的话,我基本转向threading和multiprocessing