Python 多线程爬取贴吧中的图片

1、采用多个“采集线程”获取“页面”，将页面放入dataQueue中
2、采用多个“解析线程”从dataQueue中获取页面内容，提取页面内容中的“每个帖子的链接”，再解析“每个帖子链接中”的内容

pageQueue：存放着页号
dataQueue：存放每个“页号”对应的页面的内容

# 使用了线程库
import threading
# 队列
import queue
# 解析库
from lxml import etree
# 请求处理
import requests
# json处理
import json
import time

# 采集线程：获取pageQueue中的一个页码，将该页的HTML存入dataQueue中
class ThreadCrawl(threading.Thread):
    def __init__(self, threadName, pageQueue, dataQueue):
        #threading.Thread.__init__(self)
        # 调用父类初始化方法
        super(ThreadCrawl, self).__init__()
        # 线程名
        self.threadName = threadName
        # 页码队列
        self.pageQueue = pageQueue
        # 数据队列
        self.dataQueue = dataQueue
        # 请求报头
        self.headers = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}

    def run(self):
        print("启动 " + self.threadName)
        while not CRAWL_EXIT:
            try:
                # 取出一个数字，先进先出
                # 可选参数block，默认值为True
                #1. 如果对列为空，block为True的话，不会结束，会进入阻塞状态，直到队列有新的数据
                #2. 如果队列为空，block为False的话，就弹出一个Queue.empty()异常，
                page = self.pageQueue.get(False)  # 获取一个页码
                url = "http://www.qiushibaike.com/8hr/page/" + str(page) +"/"
                # print(url)
                content = requests.get(url, headers = self.headers).text
                time.sleep(1)
                self.dataQueue.put(content)
                # print(len(content))
            except:
                pass
        print("结束 " + self.threadName)

# 解析线程：获取dataQueue中的一个元素(即：一页的HTML内容)
#           解析每个帖子的链接
#           打开每个帖子的链接，解析每个帖子的“作者、标题”
class ThreadParse(threading.Thread):
    def __init__(self, threadName, dataQueue, filename, lock):
        super(ThreadParse, self).__init__()
        # 线程名
        self.threadName = threadName
        # 数据队列
        self.dataQueue = dataQueue
        # 保存解析后数据的文件名
        self.filename = filename
        # 请求报头
        self.headers = {"User-Agent": "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
        # 锁
        self.lock = lock

    def run(self):
        print("启动" + self.threadName)
        while not PARSE_EXIT:
            try:
                html = self.dataQueue.get(False)
                self.parse(html)
            except:
                pass
        print("退出" + self.threadName)

    def parse(self, html):
        # 解析为HTML DOM
        html = etree.HTML(html)
        node_list = html.xpath('//div//a[@class="recmd-content"]/@href')
        # print(node_list)

        for node in node_list:
            fullurl = "https://www.qiushibaike.com" + node
            # print(fullurl)
            html = requests.get(fullurl, headers=self.headers).text  # 获取HTML的信息
            html = etree.HTML(html)

            # xpath返回的列表，这个列表就这一个参数，用索引方式取出来，用户名
            username = html.xpath('//span[@class="side-user-name"]')[0].text
            print(username)
            # xpath：标题名
            article = html.xpath('//h1[@class="article-title"]')[0].text
            print(article)

            items = {
                "username":username,
                "article":article
            }

            # # with 后面有两个必须执行的操作：__enter__ 和 _exit__
            # # 不管里面的操作结果如何，都会执行打开、关闭
            # # 打开锁、处理内容、释放锁
            with self.lock:
                # 写入存储的解析后的数据
                self.filename.write(json.dumps(items, ensure_ascii = False) + "\n")

CRAWL_EXIT = False
PARSE_EXIT = False


def main():
    # 创建锁
    lock = threading.Lock()

    # 页码的队列，表示20个页面
    pageQueue = queue.Queue(10)
    # 放入1~10的数字，先进先出
    for i in range(1, 11):
        pageQueue.put(i)

    # 采集结果(每页的HTML源码)的数据队列，参数为空表示不限制
    dataQueue = queue.Queue()



    crawlList = ["采集线程1号", "采集线程2号", "采集线程3号"] # 3个采集线程的名字
    threadcrawl = []  # 存储3个采集线程的列表集合
    for threadName in crawlList:
        thread = ThreadCrawl(threadName, pageQueue, dataQueue)
        thread.start()
        threadcrawl.append(thread)

    filename = open("qiushibaike.json", "a")
    # 创建锁
    lock = threading.Lock()

    parseList = ["解析线程1号","解析线程2号","解析线程3号"]   # 3个解析线程的名字
    threadparse = []  # 存储3个解析线程
    for threadName in parseList:
        thread = ThreadParse(threadName, dataQueue, filename, lock)
        thread.start()
        threadparse.append(thread)

    # 等待pageQueue队列为空，也就是等待之前的操作执行完毕
    while not pageQueue.empty():
        pass

    # 如果pageQueue为空，采集线程退出循环
    global CRAWL_EXIT
    CRAWL_EXIT = True

    print("pageQueue为空")

    for thread in threadcrawl:
        thread.join()
        print("1")

    while not dataQueue.empty():
        pass

    global PARSE_EXIT
    PARSE_EXIT = True

    for thread in threadparse:
        thread.join()
        print("2")

    with lock:
        # 关闭文件
        filename.close()
    print("谢谢使用！")

if __name__ == "__main__":
    main()