05-爬虫进阶_多线程（04 【实战】斗图啦）

目标：从网站斗图啦下载表情包

斗图啦网页示例：

1、多线程下载表情包之同步爬虫完成

import requests
from lxml import etree
from urllib import request  # 保存图片
import os  # 为获取后缀名字
import re  # 替换掉文件名中的特殊字符
# url = 'https://www.doutula.com/photo/list/'
def parse_page(url):
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'}
    response = requests.get(url, headers=headers, verify=False)
    text = response.text
    html = etree.HTML(text)
    imgs = html.xpath("//div[@class="page-content text-center"]//img[@class!='gif']")
    for img in imgs:
        img_url = img.get('data-original')  # get()直接取得某属性的内容
        alt = img.get('alt')
        alt = re.sub(r'[\?？\.,。!]', '', alt)  # windows系统中文件名中不能含有特殊字符，这里替换掉
        suffix = os.path.splitext(img_url)[1]  # 获取后缀名字
        filename = alt + suffix
        request.urlretrieve(img_url, 'images/' + filename)
def main():
    for x in range(1, 11):  # 只获取前10页内容(只会取到1-10)
        url = 'https://www.doutula.com/photo/list/?page=%d' %x  # 构造url
        parse_page(url)
        
if __name__ == '__main__':
    main()

2、多线程下载表情包之异步爬虫完成

import requests
from lxml import etree
from urllib import request  # 保存图片
import os  # 为获取后缀名字
import re  # 替换掉文件名中的特殊字符
from queue import Queue
import threading
class Procuder(threading.Thread):
    def __init__(self,page_queue,img_queue,*args,**kwargs):
        super(Procuder,self).__init__(*args,**kwargs)
        self.page_queue = page_queue
        self.img_queue = img_queue
    def run(self):
        while True:
            if self.page_queue.empty():
                break
            url = self.page_queue.get()
            self.parse_page(url)
    def parse_page(self, url):
        headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'}
        response = resquests.get(url,headers=self.headers)
        text = response.text
        html = etree.HTML(text)
        imgs = html.xpath("//div[@class="page-content text-center"]//img[@class!='gif']")
        for img in imgs:
            img_url = img.get('data-original')  # get()直接取得某属性的内容
            alt = img.get('alt')
            alt = re.sub(r'[\?？\.,。!]', '', alt)  # windows系统中文件名中不能含有特殊字符，这里替换掉
            suffix = os.path.splitext(img_url)[1]  # 获取后缀名字
            filename = alt + suffix
            self.img_queue.put((img_url,filename))  # 传入一个元组
class Consumer(threading.Thread):
    super(Consumer, self).__init__(*args,**kwargs)
    self.page_queue = page_queue
    self.img_queue = img_queue
    def run(self):
        while True:
            if self.img_queue.empty() and self.page_queue.empty(): # 如果两个都为空
                break
            img_url,filename = self.img_queue.get()  # 返回来的时元组
            request.urlretrieve(img_url,'images/'+filename)  # 存在文件夹“images”下
            print(filename+'下载完成！')
def main():
    page_queue = Queue(100)  # 爬取100页
    img_queue = queue(1000)  # 图片比较多，大一点的队列
    for x in range(1,101):
        url = 'https://www.doutula.com/photo/list/?page=%d' %x  # 构造url
        page_queue.put(url)
    for x in range(5):
        t = Procuder(page_queue,img_queue)
        t.start()
    for x in range(5):
        t = Consumer(page_queue,img-Queue)
        t.start()
if __name__ == '__main__':
    main()