Python爬虫教程六:多线程爬虫案例实例

一、python多线程

关于多线程的知识,看下面这篇文章即可。

二、多线程实例

这里我们是把本站python爬虫教程四中的爬虫例子,给改编写成使用多线程的模式的。

原代码效果如下:

import os
import requests
from lxml import etree

# https://loutoushe.com/page/366   1-366页

class Spider:
    def __init__(self,begin,end):
        self.beginPage=begin
        self.endPage=end
        self.url="https://loutoushe.com/page/"
        self.BASE_DIR = "C:/Users/Administrator/Desktop/Pic/"

    # 构造url
    def beauty_girl_Spider(self):
        for page in range(self.beginPage,self.endPage+1):
            pageUrl=self.url+str(page)
            self.load_page(pageUrl)

    # 爬取页面文章链接
    def load_page(self,pageUrl):
        res = requests.get(pageUrl)
        # 将获取到的str类型结果,转为Html类型,再通过xpath找出要的连接
        html = etree.HTML(res.text)
        links = html.xpath('//div[@class="post-inner"]/div/a/@href')
        for i in links:
            self.load_detial_page(i)

    # 爬取帖子详情页,获得图片的链接
    def load_detial_page(self,detail_pageUrl):
        detail = requests.get(detail_pageUrl)
        detail_html = etree.HTML(detail.text)
        title = detail_html.xpath("//title")[0].text
        pictures = detail_html.xpath('//div[@class="swiper-slide"]/img/@data-src')
        #创建图片集的名字创建相应的目录
        dirctory = self.BASE_DIR + title
        os.mkdir(dirctory)
        #遍历图片链接,下载图片
        num=len(pictures)
        for i in range(num):
            print(f"正在下载{title},第{i+1}张.....")
            self.load_picture(dirctory, pictures[i])

    # 通过图片所在链接,爬取图片并保存图片到本地:
    def load_picture(self,dictory, pic_link):
        pic_name = pic_link.split('/')[-1]
        path = f"{dictory}/{pic_name}"  # 保存地址
        pic = requests.get(pic_link)
        file = open(path, "wb")
        file.write(pic.content)  # 下载图片

if __name__ == '__main__':
    spider=Spider(5,6) #实例化图片爬虫对象,爬第5到第6页
    spider.beauty_girl_Spider()
图片[2] - Python爬虫教程四:数据清洗-xpath表达式 - 三酷猫

# beauty_girl_Spider() 构造url
# load_page() 爬取页面文章链接
# load_detial_page() 爬取文章详情页,获得图片的链接
# load_picture() 通过图片所在链接,爬取图片并保存图片到本地

整体思路:

  • 四个方法解耦合。通过队列的方法共享数据(队列自带锁的特性)
  • 构造3类线程:爬取页面文章链接线程、爬取图片链接线程、下载图片线程
  • 其中,下载图片是最耗时的线程,所以使用线程池里多给他几个。

代码展示:

import os
import requests
from lxml import etree  # 网页解析
import threading  # 线程
import queue    # 队列
import re   #去掉标题特殊符号
from concurrent.futures import ThreadPoolExecutor # 线程池

from requests.packages import urllib3   # ssl证书问题
urllib3.disable_warnings()

# 构造url,这个简单,不用专门开线程去做这个事情。
url = "https://loutoushe.com/page/"
BASE_DIR = "C:/Users/Administrator/Desktop/Pic/"
url_list=[]   # 构造的pageUrl放到数组中。
def beauty_girl_Spider(beginPage,endPage,listQueue):
    for page in range(beginPage,endPage+1):
        pageUrl=url+str(page)
        listQueue.put(pageUrl)  #数据存放在队列里,供其它进程使用

# 爬取页面文章链接,一个线程去爬取文章的Url
def load_page(listQueue,pageQueue):
    while not flag1:
        pageUrl=listQueue.get()
        print(f"启动采集文章页URL线程,当前列表url为:{pageUrl}")
        res = requests.get(pageUrl)
        # 将获取到的str类型结果,转为Html类型,再通过xpath找出要的连接
        html = etree.HTML(res.text)
        links = html.xpath('//div[@class="post-inner"]/div/a/@href')
        for i in links:
            pageQueue.put(i)  #数据存放在队列里,供其它进程使用

# 爬取帖子详情页,获得图片的链接,一个线程去爬取一篇文章的图片的Url
def load_detial_page(pageQueue,dataQueue):
    while not flag2:
        detail_pageUrl=pageQueue.get()
        print(f"启动采集图片URL线程,当前文章url为:{detail_pageUrl}")
        detail = requests.get(detail_pageUrl)
        detail_html = etree.HTML(detail.text)
        title = detail_html.xpath("//title")[0].text
        title_re=re.sub(r'[/:*?"<>|\\]| - 路透社', '', title) #去除特殊字符,不然目录创建不了
        pictures = detail_html.xpath('//div[@class="swiper-slide"]/img/@data-src')
        #创建图片集的名字创建相应的目录
        dirctory = BASE_DIR + title_re
        os.mkdir(dirctory)
        #遍历图片链接,下载图片
        for i in pictures:
            dataQueue.put((dirctory,i))  #数据存放在队列里,供其它进程使用

# 通过图片所在链接,爬取图片并保存图片到本地:一个线程去下载图片
def load_picture(dataQueue):
    while not flag3:
        dictory=dataQueue.get()[0]
        pic_link=dataQueue.get()[1]
        print(f"启动下载图片URL线程,当前图片url为:{pic_link}")
        pic_name = pic_link.split('/')[-1]
        path = f"{dictory}/{pic_name}"  # 保存地址
        pic = requests.get(pic_link,verify=False)
        # 下载图片
        file = open(path, "wb")
        file.write(pic.content)
        file.close()

flag1=False #判断列表url队列是否为空
flag2=False #判断文章url队列是否为空
flag3=False #判断数据队列中是否为空

def main():
    # 列表url队列
    listQueue=queue.Queue()
    beauty_girl_Spider(9,10,listQueue)
    # 文章url队列
    pageQueue = queue.Queue()
    #存放采集结果的数据队列
    dataQueue=queue.Queue()

    #启动线程,利用线程池,这里我下载图片开了20个线程
    threadpool = ThreadPoolExecutor(22)
    threadpool.submit(load_page, listQueue,pageQueue)
    threadpool.submit(load_detial_page, pageQueue, dataQueue)
    for i in range(20):
        threadpool.submit(load_picture,dataQueue)
    # 当listQueue为空时,结束采集列表线程
    while not listQueue.empty():
        pass
    global flag1
    flag1 = True

    #当pageQueue为空时,结束采集文章页线程
    while not pageQueue.empty():
        pass
    global flag2
    flag2=True


    #当dataQueue为空时,结束下载线程
    while not dataQueue.empty():
        pass
    global flag3
    flag3=True

    print("等待线程池中的任务执行完毕中······")
    threadpool.shutdown(True)  # 等待线程池中的任务执行完毕后,在继续执行
    print("结束!")

if __name__ == '__main__':
    main()

效果展示

图片[2] - Python爬虫教程六:多线程爬虫案例实例 - 三酷猫笔记

这下载速度杠杠的滴!几百张图片不到一分钟就下载完啦!

© 版权声明
THE END
喜欢就支持一下吧
点赞13 分享