python - 在python中高效获取url的状态代码，替代for循环

我想检查网址列表（在数据框df的一列中）以获取其状态代码（404、403和200似乎很有趣）。我定义了一个可以完成工作的函数。但是，它使用的for循环效率低下（我的网址列表很长！）。

有没有人暗示如何更有效地做到这一点？最佳地，返回的状态代码也将显示在数据框的新列中，例如df ['status_code_url']。

def url_access(df, column):
    e_404 =0
    e_403 =0
    e_200 =0
    for i in range(0, len(df)):
        if requests.head(df[column][i]).status_code == 404:
            e_404= e_404+1
        elif requests.head(df[column][i]).status_code == 403:
            e_403 = e_403 +1
        elif requests.head(df[column][i]).status_code == 200:
            e_200 = e_200 +1
        else:
            print(requests.head(df[column][i]).status_code)

    return ("Statistics about " + column , '{:.1%}'.format(e_404/len(df))
            + " of links to intagram post return 404", '{:.1%}'.format(e_403/len(df))
            + " of links to intagram post return 403", '{:.1%}'.format(e_200/len(df))
            + " of links to intagram post return 200")

万分感谢！

最佳答案

pandas.DataFrame.apply（或者说是普通的requests库）一次只能发出一个请求。要并行执行多个请求，可以使用requests_futures（通过pip install requests-futures安装）：

import pandas as pd
from requests_futures.sessions import FuturesSession

def get_request(url):
    session = FuturesSession()
    return session.head(url)


def get_status_code(r):
    return r.result().status_code

if __name__ == "__main__":
    urls = ['http://python-requests.org',
            'http://httpbin.org',
            'http://python-guide.org',
            'http://kennethreitz.com']
    df = pd.DataFrame({"url": urls})
    df["status_code"] = df["url"].apply(get_request).apply(get_status_code)

之后，您可以使用@Aritesh在their answer中建议的groupby：

stats = df.groupby('status_code')['url'].count().reset_index()
print(stats)
#    status_code  url
  0          200    1
  1          301    3

使用此功能，您可能还想添加一些保护措施，以防止连接错误和超时：

import numpy as np
import requests

def get_request(url):
    session = FuturesSession()
    return session.head(url, timeout=1)

def get_status_code(r):
    try:
        return r.result().status_code
    except (requests.exceptions.ConnectionError, requests.exceptions.ReadTimeout):
        return 408 # Request Timeout

ips = np.random.randint(0, 256, (1000, 4))
df = pd.DataFrame({"url": ["http://" + ".".join(map(str, ip)) for ip in ips]})
df["status_code"] = df["url"].apply(get_request).apply(get_status_code)
df.groupby('status_code')['url'].count().reset_index()
#    status_code  url
# 0          200    3
# 1          302    2
# 2          400    2
# 3          401    1
# 4          403    1
# 5          404    1
# 6          408  990