版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/apollo_miracle/article/details/84881598
1 学习目标
多线程和多进程爬虫的学习
2 更快的爬虫实现
2.1 爬取糗事百科段子
页面的URL是：http://www.qiushibaike.com/8hr/page/1
思路分析：
-
确定url地址
url地址的规律非常明显，一共只有13页url地址
-
确定数据的位置
数据都在
id='content-left'的div下的div中，在这个区域，url地址对应的响应和elements相同
2.2 上述代码改写成多线程方式实现
2.2.1 回顾多线程的方法使用
在python3中，主线程主进程结束，子线程，子进程不会结束
为了能够让主线程回收子线程，可以把子线程设置为守护线程,即该线程不重要，主线程结束，子线程结束
t1 = threading.Thread(targe=func,args=(,))
t1.setDaemon(True)
t1.start() #此时线程才会启动
2.2.2 回顾队列模块的使用
from queue import Queue
q = Queue(maxsize=100)
item = {}
q.put_nowait(item) #不等待直接放，队列满的时候会报错
q.put(item) #放入数据，队列满的时候回等待
q.get_nowait() #不等待直接取，队列空的时候会报错
q.get() #取出数据，队列为空的时候会等待
q.qsize() #获取队列中现存数据的个数
q.join() #队列中维持了一个计数，计数不为0时候让主线程阻塞等待，队列计数为0的时候才会继续往后执行
q.task_done()
# put的时候计数+1，get不会-1，get需要和task_done 一起使用才会-1
2.2.3 多线程实现思路剖析
- 把爬虫中的每个步骤封装成函数，分别用线程去执行
- 不同的函数通过队列相互通信，函数间解耦
2.3 将上述代码改写成多进程方式实现
2.3.1 回顾多进程程的方法使用
from multiprocessing import Process
t1 = Process(targe=func,args=(,))
t1.daemon = True #设置为守护进程
t1.start() #此时线程才会启动
2.3.2 多进程中队列的使用
多进程中使用普通的队列模块会发生阻塞，对应的需要使用multiprocessing提供的JoinableQueue模块，其使用过程和在线程中使用的queue方法相同
3 通过线程池实现更快的爬虫
3.1 线程池使用方法介绍
-
实例化线程池对象
from multiprocessing.dummy import Pool pool = Pool(process=5) #默认大小是cup的个数 -
把从发送请求，提取数据，到保存合并成一个函数，交给线程池异步执行
使用方法
pool.apply_async(func)def exetute_requests_item_save(self): url = self.queue.get() html_str = self.parse_url(url) content_list = self.get_content_list(html_str) self.save_content_list(content_list) self.total_response_num +=1 pool.apply_async(self.exetute_requests_item_save) -
添加回调函数
通过
apply_async的方法能够让函数异步执行，但是只能够执行一次为了让其能够被反复执行，通过添加回调函数的方式能够让_callback 递归的调用自己
同时需要指定递归退出的条件
def _callback(self,temp): if self.is_running: pool.apply_async(self.exetute_requests_item_save,callback=self._callback) pool.apply_async(self.exetute_requests_item_save,callback=self._callback) -
确定程序结束的条件 程序在获取的响应和url数量相同的时候可以结束
while True: #防止主线程结束 time.sleep(0.0001) #避免cpu空转，浪费资源 if self.total_response_num>=self.total_requests_num: self.is_running= False break self.pool.close() #关闭线程池，防止新的线程开启 # self.pool.join() #等待所有的子线程结束
3.2 使用线程池实现爬虫的具体实现
# coding=utf-8
import requests
from lxml import etree
from queue import Queue
from multiprocessing.dummy import Pool
import time
class QiubaiSpider:
def __init__(self):
self.url_temp = "https://www.qiushibaike.com/8hr/page/{}/"
self.headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X \
10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36"}
self.queue = Queue()
self.pool = Pool(5)
self.is_running = True
self.total_requests_num = 0
self.total_response_num = 0
def get_url_list(self): # 获取url列表
for i in range(1, 14):
self.queue.put(self.url_temp.format(i))
self.total_requests_num += 1
def parse_url(self, url): # 发送请求，获取响应
return requests.get(url, headers=self.headers).content.decode()
def get_content_list(self, html_str): # 提取段子
html = etree.HTML(html_str)
div_list = html.xpath("//div[@id='content-left']/div")
content_list = []
for div in div_list:
content = {}
content["content"] = div.xpath(".//div[@class='content']/span/text()")
print(content)
content_list.append(content)
return content_list
def save_content_list(self, content_list): # 保存数据
pass
def exetute_requests_item_save(self):
url = self.queue.get()
html_str = self.parse_url(url)
content_list = self.get_content_list(html_str)
self.save_content_list(content_list)
self.total_response_num += 1
def _callback(self, temp):
if self.is_running:
self.pool.apply_async(self.exetute_requests_item_save, callback=self._callback)
def run(self):
self.get_url_list()
for i in range(2): # 控制并发
self.pool.apply_async(self.exetute_requests_item_save, callback=self._callback)
while True: # 防止主线程结束
time.sleep(0.0001) # 避免cpu空转，浪费资源
if self.total_response_num >= self.total_requests_num:
self.is_running = False
break
self.pool.close() # 关闭线程池，防止新的线程开启
# self.pool.join() #等待所有的子线程结束
if __name__ == '__main__':
qiubai = QiubaiSpider()
qiubai.run()
3.3 使用协程池实现爬虫的具体实现
# coding=utf-8
import gevent.monky
gevent.monky.path_all()
from gevent.pool import Pool
import requests
from lxml import etree
from queue import Queue
import time
class QiubaiSpider:
def __init__(self):
self.url_temp = "https://www.qiushibaike.com/8hr/page/{}/"
self.headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X \
10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36"}
self.queue = Queue()
self.pool = Pool(5)
self.is_running = True
self.total_requests_num = 0
self.total_response_num = 0
def get_url_list(self): # 获取url列表
for i in range(1, 14):
self.queue.put(self.url_temp.format(i))
self.total_requests_num += 1
def parse_url(self, url): # 发送请求，获取响应
return requests.get(url, headers=self.headers).content.decode()
def get_content_list(self, html_str): # 提取段子
html = etree.HTML(html_str)
div_list = html.xpath("//div[@id='content-left']/div")
content_list = []
for div in div_list:
content = {}
content["content"] = div.xpath(".//div[@class='content']/span/text()")
print(content)
content_list.append(content)
return content_list
def save_content_list(self, content_list): # 保存数据
pass
def exetute_requests_item_save(self):
url = self.queue.get()
html_str = self.parse_url(url)
content_list = self.get_content_list(html_str)
self.save_content_list(content_list)
self.total_response_num += 1
def _callback(self, temp):
if self.is_running:
self.pool.apply_async(self.exetute_requests_item_save, callback=self._callback)
def run(self):
self.get_url_list()
for i in range(2): # 控制并发
self.pool.apply_async(self.exetute_requests_item_save, callback=self._callback)
while True: # 防止主线程结束
time.sleep(0.0001) # 避免cpu空转，浪费资源
if self.total_response_num >= self.total_requests_num:
self.is_running = False
break
if __name__ == '__main__':
qiubai = QiubaiSpider()
qiubai.run()