多线程爬虫

最新推荐文章于 2024-01-17 16:35:13 发布

转载最新推荐文章于 2024-01-17 16:35:13 发布 · 50 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/wanglinjie/p/9310329.html

文章标签：

#爬虫 #操作系统

本文分享了一个糗事百科的爬虫项目实现细节，利用Python的requests库和lxml库，通过多线程的方式，实现了糗事百科网页的批量抓取、解析和数据存储。项目中，作者详细介绍了如何构建URL列表、发送请求、解析HTML并提取关键信息，最后将数据进行存储。

糗事百科

 1 import requests
 2 from lxml import etree
 3 from queue import Queue
 4 import threading
 5 
 6 
 7 class Qiubai:
 8     def __init__(self):
 9         self.temp_url = "https://www.qiushibaike.com/8hr/page/{}/"
10         self.headers= {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X \
11         10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36"}
12         self.url_queue = Queue()
13         self.html_queue = Queue()
14         self.content_list_queue = Queue()
15 
16     def get_url_list(self):#获取url列表
17         for i in range(1,14):
18             self.url_queue.put(self.temp_url.format(i))
19 
20     def parse_url(self):
21         while True: #在这里使用，子线程不会结束，把子线程设置为守护线程
22             url = self.url_queue.get()
23             # print(url)
24             response = requests.get(url,headers=self.headers)
25             self.html_queue.put(response.content.decode())
26             self.url_queue.task_done()
27 
28 
29     def get_content_list(self):  #提取数据
30         while True:
31             html_str = self.html_queue.get()
32             html = etree.HTML(html_str)
33             div_list = html.xpath("//div[@id='content-left']/div")
34             content_list = []
35             for div in div_list:
36                 content = {}
37                 content["content"] = div.xpath(".//div[@class='content']/span/text()")
38                 content_list.append(content)
39             self.content_list_queue.put(content_list)
40             self.html_queue.task_done()
41 
42     def save_content_list(self):
43         while True:
44             content_list = self.content_list_queue.get()
45             for content in content_list:
46                 print(content) # 此处对数据进行保存操作
47             self.content_list_queue.task_done()
48 
49 
50     def run(self):
51         thread_list = []
52         #1.url_list
53         t_url = threading.Thread(target=self.get_url_list)
54         thread_list.append(t_url)
55         #2.遍历，发送请求，
56         for i in range(3):  #三个线程发送请求
57             t_parse = threading.Thread(target=self.parse_url)
58             thread_list.append(t_parse)
59         #3.提取数据
60         t_content = threading.Thread(target=self.get_content_list)
61         thread_list.append(t_content)
62         #4.保存
63         t_save = threading.Thread(target=self.save_content_list)
64         thread_list.append(t_save)
65 
66         for t in thread_list:
67             t.setDaemon(True)  #把子线程设置为守护线程，当前这个线程不重要，主线程结束，子线程技术
68             t.start()
69 
70         for q in [self.url_queue,self.html_queue,self.content_list_queue]:
71             q.join()  #让主线程阻塞，等待队列的计数为0，
72 
73         print("主线程结束")
74 
75 if __name__ == '__main__':
76 
77     qiubai = Qiubai()
78     qiubai.run()