多进程方式抓取基金网站内容

http://blog.youkuaiyun.com/github_26672553/article/details/78603539
在前面我们已经简单了解了”python的多进程”，现在我们需要把抓取基金网站(28页)内容写成多进程的方式。

因为进程也不是越多越好，我们计划分3个进程执行。意思就是 ：把总共要抓取的28页分成三部分。

怎么分呢？

# 初始range
r = range(1,29)
# 步长
step = 10

myList = [r[x:x+step] for  x in range(0,len(r),step)]

print(myList) # [range(1, 11), range(11, 21), range(21, 29)]

看上面代码，我们就把1~29分成了三部分，list里三个range。

2、还记得我们抓取基金网站内容的getData()函数？

def getData(start, end):
    for x in range(start, end+1):
        # 去第几页 输入框
        tonum = driver.find_element_by_id("tonum")
        # 去第几页 提交按钮
        jumpBtn = driver.find_element_by_id("btn_jump")

        tonum.clear()  # 第x页 输入框
        tonum.send_keys(str(x))  # 去第x页
        jumpBtn.click()  # 点击按钮

        WebDriverWait(driver, 20).until(lambda driver: driver.find_element_by_id("pager") \
                                        .find_element_by_xpath("span[@value={0} and @class!='end page']".format(x)) \
                                        .get_attribute("class").find("at") != -1)

        # 保存抓取到的html内容
        # 保存到html目录下
        with open("./htmls/{0}.txt".format(x),"wb") as f:
            f.write(driver.find_element_by_id("tableDiv").get_attribute("innerHTML").encode("utf8"))
            f.close()

函数是有2个参数：一个开始页码，一个结束页码，也就是从第start页，到第end页。
这2个参数实际上也是range。

改造getData()函数如下（参数不同了）：

# 循环抓取网页内容的函数
def getData(myrange):
    for x in myrange:
        # 去第几页 输入框
        tonum = driver.find_element_by_id("tonum")
        # 去第几页 提交按钮
        jumpBtn = driver.find_element_by_id("btn_jump")

        tonum.clear()  # 第x页 输入框
        tonum.send_keys(str(x))  # 去第x页
        jumpBtn.click()  # 点击按钮

        WebDriverWait(driver, 20).until(lambda driver: driver.find_element_by_id("pager") \
                                        .find_element_by_xpath("span[@value={0} and @class!='end page']".format(x)) \
                                        .get_attribute("class").find("at") != -1)

        # 保存抓取到的html内容
        # 保存到html目录下
        with open("./htmls/{0}.txt".format(x),"wb") as f:
            f.write(driver.find_element_by_id("tableDiv").get_attribute("innerHTML").encode("utf8"))
            f.close()

3、创建进程，把target设置为上面的getData()：

# 初始range
r = range(1,int(total_page)+1)
# 步长
step = 10
myList = [r[x:x+step] for  x in range(0,len(r),step)] # 把页面分段

# 创建进程
processList = []

if __name__ == "__main__":
    for r in myList:
        p = Process(target=getData,args=(r,))
        processList.append(p)

    # 开始执行进程
    for p in processList:
        p.start()

这样就有三个进程分别抓取。

4、多进程抓取基金网站多页内容完全代码：

# coding: utf-8

from selenium import  webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions
from multiprocessing import Process


driver = webdriver.PhantomJS(executable_path=r"你phantomjs的可执行文件路径")

# 请求一个网址
driver.get("http://fund.eastmoney.com/fund.html")

page_text = driver.find_element_by_id("pager").find_element_by_xpath("span[@class='nv']").text
total_page = ''.join(filter(str.isdigit,page_text)) # 得到总共有多少页

# 循环抓取网页内容的函数
def getData(myrange):
    for x in myrange:
        # 去第几页 输入框
        tonum = driver.find_element_by_id("tonum")
        # 去第几页 提交按钮
        jumpBtn = driver.find_element_by_id("btn_jump")

        tonum.clear()  # 第x页 输入框
        tonum.send_keys(str(x))  # 去第x页
        jumpBtn.click()  # 点击按钮

        WebDriverWait(driver, 20).until(lambda driver: driver.find_element_by_id("pager") \
                                        .find_element_by_xpath("span[@value={0} and @class!='end page']".format(x)) \
                                        .get_attribute("class").find("at") != -1)

        # 保存抓取到的html内容
        # 保存到html目录下
        with open("./htmls/{0}.txt".format(x),"wb") as f:
            f.write(driver.find_element_by_id("tableDiv").get_attribute("innerHTML").encode("utf8"))
            f.close()


# 初始range
r = range(1,int(total_page)+1)
# 步长
step = 10
myList = [r[x:x+step] for  x in range(0,len(r),step)] # 把页面分段

# 创建进程
processList = []

if __name__ == "__main__":
    for r in myList:
        p = Process(target=getData,args=(r,))
        processList.append(p)

    # 开始执行进程
    for p in processList:
        p.start()