网站怎么做精准引流,南京做公司网站的公司哪家好,一键分享到wordpress,科技小制作一等奖目录 二十一、Python爬虫的多线程爬虫21.1 多线程使用流程21.2 Queue队列模型21.3 多线程爬虫案例1) 案例分析2) 完整程序 二十一、Python爬虫的多线程爬虫
网络爬虫程序是一种 IO 密集型程序#xff0c;程序中涉及了很多网络 和 本地磁盘的 IO 操作#xff0c;这会消耗大… 目录 二十一、Python爬虫的多线程爬虫21.1 多线程使用流程21.2 Queue队列模型21.3 多线程爬虫案例1) 案例分析2) 完整程序 二十一、Python爬虫的多线程爬虫
网络爬虫程序是一种 IO 密集型程序程序中涉及了很多网络 和 本地磁盘的 IO 操作这会消耗大量的时间从而降低程序的执行效率而 Python 提供的多线程能够在一定程度上提升 IO 密集型程序的执行效率。
21.1 多线程使用流程
Python 提供了两个支持多线程的模块分别是 _thread 和 threading。其中 _thread 模块偏底层它相比于 threading 模块功能有限因此推荐大家使用 threading 模块。 threading 中不仅包含了 _thread 模块中的所有方法 还提供了一些其他方法如下所示
threading.currentThread() 返回当前的线程变量。threading.enumerate() 返回一个所有正在运行的线程的列表。threading.activeCount() 返回正在运行的线程数量。
线程的具体使用方法如下所示
from threading import Thread
#线程创建、启动、回收
t Thread(target函数名) # 创建线程对象
t.start() # 创建并启动线程
t.join() # 阻塞等待回收线程创建多线程的具体流程:
t_list []
for i in range(5):t Thread(target函数名)t_list.append(t)t.start()
for t in t_list:t.join()除了使用该模块外您也可以使用 Thread 线程类来创建多线程。
在处理线程的过程中要时刻注意线程的同步问题即多个线程不能操作同一个数据否则会造成数据的不确定性。通过 threading 模块的 Lock 对象能够保证数据的正确性。
比如使用多线程将抓取数据写入磁盘文件此时就要对执行写入操作的线程加锁这样才能够避免写入的数据被覆盖。当线程执行完写操作后会主动释放锁继续让其他线程去获取锁周而复始直到所有写操作执行完毕。具体方法如下所示
from threading import Lock
lock Lock()
# 获取锁
lock.acquire()
wirter.writerows(线程锁问题解决)
# 释放锁
lock.release()21.2 Queue队列模型
对于 Python 多线程而言由于 GIL 全局解释器锁的存在同一时刻只允许一个线程占据解释器执行程序当此线程遇到 IO 操作时就会主动让出解释器让其他处于等待状态的线程去获取解释器来执行程序而该线程则回到等待状态这主要是通过线程的调度机制实现的。
由于上述原因我们需要构建一个多线程共享数据的模型让所有线程都到该模型中获取数据。queue队列先进先出 模块提供了创建共享数据的队列模型。比如把所有待爬取的 URL 地址放入队列中每个线程都到这个队列中去提取 URL。queue 模块的具体使用方法如下
# 导入模块
from queue import Queue
q Queue() #创界队列对象
q.put(url) 向队列中添加爬取一个url链接
q.get() # 获取一个url当队列为空时阻塞
q.empty() # 判断队列是否为空True/False21.3 多线程爬虫案例
下面通过多线程方法抓取小米应用商店https://app.mi.com/中应用分类一栏所有类别下的 APP 的名称、所属类别以及下载详情页 URL。如下图所示 图1小米应用商城 抓取下来的数据 demo 如下所示
三国杀,棋牌桌游,http://app.mi.com/details?idcom.bf.sgs.hdexp.mi1) 案例分析
通过搜索关键字可知这是一个动态网站因此需要抓包分析。
刷新网页来重新加载数据可得知请求头的 URL 地址如下所示
https://app.mi.com/categotyAllListApi?page0categoryId1pageSize30其中查询参数 pageSize 参数值不变化page 会随着页码的增加而变化而类别 Id 通过查看页面元素如下所示
ul classcategory-list
lia classcurrent href/category/15游戏/a/li
lia href/category/5实用工具/a/li
lia href/category/27影音视听/a/li
lia href/category/2聊天社交/a/li
lia href/category/7图书阅读/a/li
lia href/category/12学习教育/a/li
lia href/category/10效率办公/a/li
lia href/category/9时尚购物/a/li
lia href/category/4居家生活/a/li
lia href/category/3旅行交通/a/li
lia href/category/6摄影摄像/a/li
lia href/category/14医疗健康/a/li
lia href/category/8体育运动/a/li
lia href/category/11新闻资讯/a/li
lia href/category/13娱乐消遣/a/li
lia href/category/1金融理财/a/li
/ul因此可以使用 Xpath 表达式匹配 href 属性从而提取类别 ID 以及类别名称表达式如下
基准表达式xpath_bds //ul[classcategory-list]/li
提取 id 表达式typ_id li.xpath(./a/href)[0].split(/)[-1]
类型名称typ_name li.xpath(./a/text())[0]点击开发者工具的 response 选项卡查看响应数据如下所示
{
count: 2000,
data: [
{
appId: 1348407,
displayName: 天气暖暖-关心Ta从关心天气开始,
icon: http://file.market.xiaomi.com/thumbnail/PNG/l62/AppStore/004ff4467a7eda75641eea8d38ec4d41018433d33,
level1CategoryName: 居家生活,
packageName: com.xiaowoniu.WarmWeather
},
{
appId: 1348403,
displayName: 贵斌同城,
icon: http://file.market.xiaomi.com/thumbnail/PNG/l62/AppStore/0e607ac85ed9742d2ac2ec1094fca3a85170b15c8,
level1CategoryName: 居家生活,
packageName: com.gbtc.guibintongcheng
},
...
...通过上述响应内容我们可以从中提取出 APP 总数量count和 APP displayName名称以及下载详情页的 packageName。由于每页中包含了 30 个 APP所以总数量count可以计算出每个类别共有多少页。
pages int(count) // 30 1下载详情页的地址是使用 packageName 拼接而成如下所示
link http://app.mi.com/details?id app[packageName]2) 完整程序
完整程序如下所示
# -*- coding:utf8 -*-
import requests
from threading import Thread
from queue import Queue
import time
from fake_useragent import UserAgent
from lxml import etree
import csv
from threading import Lock
import jsonclass XiaomiSpider(object):def __init__(self):self.url http://app.mi.com/categotyAllListApi?page{}categoryId{}pageSize30# 存放所有URL地址的队列self.q Queue()self.i 0# 存放所有类型id的空列表self.id_list []# 打开文件self.f open(XiaomiShangcheng.csv,a,encodingutf-8)self.writer csv.writer(self.f)# 创建锁self.lock Lock()def get_cateid(self):# 请求url http://app.mi.com/headers { User-Agent: UserAgent().random}html requests.get(urlurl,headersheaders).text# 解析parse_html etree.HTML(html)xpath_bds //ul[classcategory-list]/lili_list parse_html.xpath(xpath_bds)for li in li_list:typ_name li.xpath(./a/text())[0]typ_id li.xpath(./a/href)[0].split(/)[-1]# 计算每个类型的页数pages self.get_pages(typ_id)#往列表中添加二元组self.id_list.append( (typ_id,pages) )# 入队列self.url_in()# 获取count的值并计算页数def get_pages(self,typ_id):# 获取count的值即app总数url self.url.format(0,typ_id)html requests.get(urlurl,headers{User-Agent:UserAgent().random}).json()count html[count]pages int(count) // 30 1return pages# url入队函数拼接url并将url加入队列def url_in(self):for id in self.id_list:# id格式(4,pages)for page in range(1,id[1]1):url self.url.format(page,id[0])# 把URL地址入队列self.q.put(url)# 线程事件函数: get() -请求-解析-处理数据,三步骤def get_data(self):while True:# 判断队列不为空则执行否则终止if not self.q.empty():url self.q.get()headers {User-Agent:UserAgent().random}html requests.get(urlurl,headersheaders)res_html html.content.decode(encodingutf-8)htmljson.loads(res_html)self.parse_html(html)else:break# 解析函数def parse_html(self,html):# 写入到csv文件app_list []for app in html[data]:# app名称 分类 详情链接name app[displayName]link http://app.mi.com/details?id app[packageName]typ_name app[level1CategoryName]# 把每一条数据放到app_list中,并通过writerows()实现多行写入app_list.append([name,typ_name,link])print(name,typ_name)self.i 1# 向CSV文件中写入数据self.lock.acquire()self.writer.writerows(app_list)self.lock.release()# 入口函数def main(self):# URL入队列self.get_cateid()t_list []# 创建多线程for i in range(1):t Thread(targetself.get_data)t_list.append(t)# 启动线程t.start()for t in t_list:# 回收线程 t.join()self.f.close()print(数量:,self.i)if __name__ __main__:start time.time()spider XiaomiSpider()spider.main()end time.time()print(执行时间:%.1f % (end-start))运行上述程序后打开存储文件其内容如下 在我们之间-单机版,休闲创意,http://app.mi.com/details?idcom.easybrain.impostor.gtx粉末游戏,模拟经营,http://app.mi.com/details?idjp.danball.powdergameviewer.bnn三国杀,棋牌桌游,http://app.mi.com/details?idcom.bf.sgs.hdexp.mi腾讯欢乐麻将全集,棋牌桌游,http://app.mi.com/details?idcom.qqgame.happymj快游戏,休闲创意,http://app.mi.com/details?idcom.h5gamecenter.h2mgc皇室战争,战争策略,http://app.mi.com/details?idcom.supercell.clashroyale.mi地铁跑酷,跑酷闯关,http://app.mi.com/details?idcom.kiloo.subwaysurf
...
...
