Python スクレイピング for文の高速化したい

Question

Pythonにてブランドサイトから、商品情報を抽出し保存するコードを書きました。
プログラミング初心者ながら、やっと完成したのですが
最後のエクセルへの書き込みと画像の保存の処理を行う度にループする速度が遅くなってしまいます。
原因と解決方法がありましたら、教えていただきたいです。

import requests
from bs4 import BeautifulSoup
import pprint
import os
from urllib.parse import urljoin
import itertools
import re
import time
import xlsxwriter

from selenium import webdriver
driver= webdriver.Chrome("/Users/AA/Downloads/chromedriver")

sex_URL = "https://www.gucci.com/jp/ja/ca/men-c-men" 
soup = BeautifulSoup(requests.get(sex_URL).content,'lxml')

#カテゴリ毎のURLを取得し、相対パスを絶対パスに変換
#category_listにURLを格納
base = "https://www.gucci.com/jp/ja/"
category_link = soup.find_all("a",class_="category-product")
category_list = []
for category_link in category_link:
    category_list.append(urljoin(base,category_link.get("href")))
print(category_list)

#商品カテゴリ名を取得し、category_name_listに格納
category_name = soup.select("header > h2")
category_name_list = []
for category_name in category_name:
    category_name_list.append((category_name).getText())
print(category_name_list)

#category_listとcategory_name_listの2つのリストを1つのディクショナリに変換
keys = category_name_list
values = category_list
dic = dict(zip(keys,values))
print(dic)

for category in dic:
    #カテゴリURL毎に分割されている全てのURLを取得する
    url = dic[category]
    url_list = [url]
    driver.implicitly_wait(10)
    driver.get(url)
    cur_url= driver.current_url 
    n = 1
    while url == cur_url:
        url = dic[category]
        url = url + "/" + str(n)
        driver.get(url)
        cur_url= driver.current_url 
        url_list.append(url)
        n += 1
    url_list.pop()
    #ここまで
    for p in url_list:
        soup_1 = BeautifulSoup(requests.get(p).content,'lxml')
        item_list=[]
        item_link = soup_1.find_all("a",class_="product-tiles-grid-item-link")
        for item_link in item_link:
            #商品URLの相対パスを絶対パスに変換し、item_listに格納
            item_list.append(urljoin(base,item_link.get("href")))
            #商品毎の名前、金額、商品説明を取得
            for i in item_list:
                soup_2 = BeautifulSoup(requests.get(i).content,'lxml')
                #商品名
                item_title = soup_2.select_one("section > h1").text
                #商品金額(日本円)
                item_price = soup_2.select_one("#markedDown_full_Price").text
                #商品金額(フランス)
                fr_url = i.replace("jp/ja", 'fr/fr')
                soup_3 = BeautifulSoup(requests.get(fr_url).content,'lxml')
                try:
                    item_price_fr= soup_3.select_one("#markedDown_full_Price").text
                except AttributeError:
                    item_price_fr = "フランスのサイトが存在しませんでした"
                #商品詳細
                item_detail = soup_2.find(class_="product-detail").text
                #フォルダを作成
                os.makedirs("/Users/RP/Desktop/GUCCI/メンズ/" + category +"/"+ item_title ,exist_ok=True)
            
                #エクセルファイルを作成
                workbook = xlsxwriter.Workbook("/Users/RP/Desktop/GUCCI/メンズ/" + category +"/"+ item_title + "/" + "detail.xlsx")
                worksheet = workbook.add_worksheet("Sheet1")
                worksheet.set_column('B:B', 90)
                worksheet.write('A1', '商品URL')
                worksheet.write('A2', 'カテゴリー名')
                worksheet.write('A3', '商品名')
                worksheet.write('A4', '商品金額(円)')
                worksheet.write('A5', '商品金額(€)')
                worksheet.write('A6', '商品詳細')
            
                worksheet.write('B1', i)
                worksheet.write('B2', category)
                worksheet.write('B3', item_title)
                worksheet.write('B4', item_price)
                worksheet.write('B5', item_price_fr)
                worksheet.write('B6', item_detail)
                workbook.close()
            
                #画像取得
                img = []
                img_url = soup_2.select("#carousel-vertical > div.product-detail-carouse-vertical-inner.carousel-vertical-inner.carousel-inner  picture > source")
                for url in img_url:
                    img_url = urljoin(base,url.get("srcset"))
                    img.append(img_url)
                for target in img: # imgからtargetに入れる
                    re = requests.get(target)
                    with open("/Users/RP/Desktop/GUCCI/メンズ/" + category +"/"+ item_title + "/" +target.split('/')[-1], 'wb') as f: # imgフォルダに格納
                        f.write(re.content) # .contentにて画像データとして書き込む
                time.sleep(1)

Answer 1

力作ですねー。。

1,変数:item_listは不要ではないでしょうか？
以下の処理だとitem_linkのループ分 item_listに要素を追加してしまいます。

            item_list = []
            item_link = soup_1.find_all("a", class_="product-tiles-grid-item-link")
            for item_link in item_link:
                # 商品URLの相対パスを絶対パスに変換し、item_listに格納
                item_list.append(urljoin(base, item_link.get("href")))
                # 商品毎の名前、金額、商品説明を取得
                for i in item_list:

2,urlを取り扱う時は重複値を扱える Listではなく重複なしの setで扱ってくださいな。
listとsetの違いは検索サイトで検索するとHITするかと。

item_list = []
item_link = soup_1.find_all("a", class_="product-tiles-grid-item-link")
for item_link in item_link:
    # 商品URLの相対パスを絶対パスに変換し、item_listに格納
    item_list.append(urljoin(base, item_link.get("href")))

↓

item_list = set()
item_link = soup_1.find_all("a", class_="product-tiles-grid-item-link")
for item_link in item_link:
    # 商品URLの相対パスを絶対パスに変換し、item_listに格納
    item_list.add(urljoin(base, item_link.get("href")))

3,全般的に個々の処理を関数化することをオススメします。これはデバックとテストをしやすさの向上のためです。

例えば、エクセルファイル書き込み処理なら

def create_excel(i, category, item_title, item_price, item_price_fr, item_detail):
    workbook = xlsxwriter.Workbook(
        "/Users/RP/Desktop/GUCCI/メンズ/" + category + "/" + item_title + "/" + "detail.xlsx")
    worksheet = workbook.add_worksheet("Sheet1")
    worksheet.set_column('B:B', 90)
    worksheet.write('A1', '商品URL')
    worksheet.write('A2', 'カテゴリー名')
    worksheet.write('A3', '商品名')
    worksheet.write('A4', '商品金額(円)')
    worksheet.write('A5', '商品金額(€)')
    worksheet.write('A6', '商品詳細')

    worksheet.write('B1', i)
    worksheet.write('B2', category)
    worksheet.write('B3', item_title)
    worksheet.write('B4', item_price)
    worksheet.write('B5', item_price_fr)
    worksheet.write('B6', item_detail)
    workbook.close()

#呼び出しかた
create_excel(i, category, item_title, item_price, item_price_fr, item_detail)

関数化するとスクレイピングを行わなくても、create_excelを呼び出せば、テストできます。
こうすることで、スクレイピングの問題なのか、エクセルファイル書き込みの問題なのかの問題切り分けが可能になります。

高速化の基本は処理に時間が掛かっているところ(ボトルネック）を特定するところからかと
cProfileとSnakevizを使って時間が掛かっている所を可視化する事をお勧めします。

Comments

[RWW]

ご丁寧にありがとうございます！自分なりに、修正してみます！

Answer 2

おそらくなのですが、

#エクセルファイルを作成
                workbook = xlsxwriter.Workbook("/Users/RP/Desktop/GUCCI/メンズ/" + category +"/"+ item_title + "/" + "detail.xlsx")

の行を

        for item_link in item_link:

の上に移動しまして、

                #画像取得
                img = []
                img_url = soup_2.select("#carousel-vertical > div.product-detail-carouse-vertical-inner.carousel-vertical-inner.carousel-inner  picture > source")
                for url in img_url:
                    img_url = urljoin(base,url.get("srcset"))
                    img.append(img_url)
                for target in img: # imgからtargetに入れる
                    re = requests.get(target)
                    with open("/Users/RP/Desktop/GUCCI/メンズ/" + category +"/"+ item_title + "/" +target.split('/')[-1], 'wb') as f: # imgフォルダに格納
                        f.write(re.content) # .contentにて画像データとして書き込む
                time.sleep(1)

この部分を、

                #画像取得
                img = []
                img_url = soup_2.select("#carousel-vertical > div.product-detail-carouse-vertical-inner.carousel-vertical-inner.carousel-inner  picture > source")
                for url in img_url:
                    img_url = urljoin(base,url.get("srcset"))
                    img.append(img_url)
                with open("/Users/RP/Desktop/GUCCI/メンズ/" + category +"/"+ item_title + "/" +target.split('/')[-1], 'wb') as f: # imgフォルダを開く
                for target in img: # imgからtargetに入れる
                    re = requests.get(target)
                    f.write(re.content) # .contentにて画像データとして書き込む
                time.sleep(1)

こう書き直すと、必要以上にファイルを開く処理や、Excelファイルを展開する処理が減ると思います。

P.S.

ファイルを開いたりする処理は極力1回だけ実行するように心がけ、for文やwhile文の中では実行しないようにするのがいいと思います。

Comments

[RWW]

ありがとうございます。必要以上にファイルを展開する処理が多くなると遅くなるのですね。勉強になりました。参考にさせていただきます。

Answer 3

time.sleep(1)を入れる場所がおかしくないですか。webへの連続アクセスを回避したいのだと思いますが、この位置だと、ループの奥にありすぎるので無駄に足踏みを続けそうな気がします。

Comments

[RWW]

ご回答ありがとうございます。もしよろしければ、どの位置に入れればいいか教えていただけると幸いです。

[KojiDoi]

webにアクセスした直後。

[KojiDoi]

これに限らず、ループの外で一回実行しておけばいい事をループのなかで繰返していないか再検討して、 外に出せる物は外に出す。
この原則に従って数行修正するだけで、全体の所要時間が数十分の一に減ることもあります。

[RWW]

ありがとうございます！修正してみます！