Python如何使用队列方式实现多线程爬虫


Posted in Python onMay 12, 2020

说明:糗事百科段子的爬取,采用了队列和多线程的方式,其中关键点是Queue.task_done()、Queue.join(),保证了线程的有序进行。

代码如下

import requests
from lxml import etree
import json
from queue import Queue
import threading

class Qsbk(object):
  def __init__(self):
    self.headers = {
      "User-Agent": "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36",
      "Referer": "https://www.qiushibaike.com/"
    }
    # 实例化三个队列,用来存放内容
    self.url_queue = Queue()
    self.html_queue = Queue()
    self.content_queue = Queue()

  def get_total_url(self):
    """
    获取了所有的页面url,并且返回url_list
    return:url_list
    现在放入url_queue队列中保存
    """
    url_temp = "https://www.qiushibaike.com/text/page/{}/"
    url_list = list()
    for i in range(1,13):
      # url_list.append(url_temp.format(i))
      # 将生成的url放入url_queue队列
      self.url_queue.put(url_temp.format(i))

  def parse_url(self):
    """
    发送请求,获取响应,同时etree处理html
    """
    while self.url_queue.not_empty:
      # 判断非空,为空时结束循环

      # 从队列中取出一个url
      url = self.url_queue.get()
      print("parsing url:",url)
      # 发送请求
      response = requests.get(url,headers=self.headers,timeout=10)
      # 获取html字符串
      html = response.content.decode()
      # 获取element类型的html
      html = etree.HTML(html)
      # 将生成的element对象放入html_queue队列
      self.html_queue.put(html)
      # Queue.task_done() 在完成一项工作之后,Queue.task_done()函数向任务已经完成的队列发送一个信号
      self.url_queue.task_done()

  def get_content(self):
    """
    解析网页内容,获取想要的信息
    """
    while self.html_queue.not_empty:
      items = list()
      html = self.html_queue.get()
      total_div = html.xpath("//div[@class='col1 old-style-col1']/div")
      for i in total_div:

        author_img = i.xpath(".//a[@rel='nofollow']/img/@src")
        author_img = "https"+author_img[0] if len(author_img)>0 else None

        author_name = i.xpath(".//a[@rel='nofollow']/img/@alt")
        author_name = author_name[0] if len(author_name)>0 else None

        author_href = i.xpath("./a/@href")
        author_href = "https://www.qiushibaike.com/"+author_href[0] if len(author_href)>0 else None

        author_gender = i.xpath("./div[1]/div/@class")
        author_gender = author_gender[0].split(" ")[-1].replace("Icon","").strip() if len(author_gender)>0 else None

        author_age = i.xpath("./div[1]/div/text()")
        author_age = author_age[0] if len(author_age)>0 else None

        content = i.xpath("./a/div/span/text()")
        content = content[0].strip() if len(content)>0 else None

        content_vote = i.xpath("./div[@class='stats']/span[@class='stats-vote']/i/text()")
        content_vote = content_vote[0] if len(content_vote)>0 else None

        content_comment_numbers = i.xpath("./div[@class='stats']/span[@class='stats-comments']/a/i/text()")
        content_comment_numbers = content_comment_numbers[0] if len(content_comment_numbers)>0 else None

        item = {
          "author_name":author_name,
          "author_age" :author_age,
          "author_gender":author_gender,
          "author_img":author_img,
          "author_href":author_href,
          "content":content,
          "content_vote":content_vote,
          "content_comment_numbers":content_comment_numbers,
        }
        items.append(item)
      self.content_queue.put(items)
      # task_done的时候,队列计数减一
      self.html_queue.task_done()

  def save_items(self):
    """
    保存items
    """
    while self.content_queue.not_empty:
      items = self.content_queue.get()
      with open("quishibaike.txt",'a',encoding='utf-8') as f:
        for i in items:
          json.dump(i,f,ensure_ascii=False,indent=2)
      self.content_queue.task_done()

  def run(self):
    # 获取url list
    thread_list = list()
    thread_url = threading.Thread(target=self.get_total_url)
    thread_list.append(thread_url)

    # 发送网络请求
    for i in range(10):
      thread_parse = threading.Thread(target=self.parse_url)
      thread_list.append(thread_parse)

    # 提取数据
    thread_get_content = threading.Thread(target=self.get_content)
    thread_list.append(thread_get_content)

    # 保存
    thread_save = threading.Thread(target=self.save_items)
    thread_list.append(thread_save)


    for t in thread_list:
      # 为每个进程设置为后台进程,效果是主进程退出子进程也会退出
      t.setDaemon(True)
      t.start()
    
    # 让主线程等待,所有的队列为空的时候才能退出
    self.url_queue.join()
    self.html_queue.join()
    self.content_queue.join()


if __name__=="__main__":
  obj = Qsbk()
  obj.run()

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
easy_install python包安装管理工具介绍
Feb 10 Python
python实现的守护进程(Daemon)用法实例
Jun 02 Python
python从入门到精通(DAY 3)
Dec 20 Python
解析Python中的__getitem__专有方法
Jun 27 Python
Django JWT Token RestfulAPI用户认证详解
Jan 23 Python
Python list列表中删除多个重复元素操作示例
Feb 27 Python
python实现while循环打印星星的四种形状
Nov 23 Python
Python无头爬虫下载文件的实现
Apr 02 Python
OpenCV+Python3.5 简易手势识别的实现
Dec 21 Python
python基于OpenCV模板匹配识别图片中的数字
Mar 31 Python
Pytorch数据读取之Dataset和DataLoader知识总结
May 23 Python
简单且有用的Python数据分析和机器学习代码
Jul 02 Python
python的Jenkins接口调用方式
May 12 #Python
jenkins+python自动化测试持续集成教程
May 12 #Python
python百行代码自制电脑端网速悬浮窗的实现
May 12 #Python
基于Python的Jenkins的二次开发操作
May 12 #Python
Python-jenkins模块获取jobs的执行状态操作
May 12 #Python
Python-jenkins 获取job构建信息方式
May 12 #Python
python进行参数传递的方法
May 12 #Python
You might like
JAVA/JSP学习系列之七
2006/10/09 PHP
Mysql的Root密码忘记,查看或修改的解决方法(图文介绍)
2013/06/14 PHP
php 如何禁用eval() 函数实例详解
2016/12/01 PHP
jQuery获取文本节点之 text()/val()/html() 方法区别
2011/03/01 Javascript
jqGrid jQuery 表格插件测试代码
2011/08/23 Javascript
在JS方法中返回多个值的方法汇总
2015/05/20 Javascript
jQuery实现元素的插入
2017/02/27 Javascript
利用jquery正则表达式在页面验证url网址输入是否正确
2017/04/04 jQuery
js实现登录注册框手机号和验证码校验(前端部分)
2017/09/28 Javascript
微信小程序canvas.drawImage完全显示图片问题的解决
2018/11/30 Javascript
vue基础之使用get、post、jsonp实现交互功能示例
2019/03/12 Javascript
laypage+SpringMVC实现后端分页
2019/07/27 Javascript
[02:54]DOTA2英雄基础教程 撼地者
2014/01/14 DOTA
[03:40]DOTA2抗疫特别篇《英雄年代》
2020/02/28 DOTA
Python实现Windows和Linux之间互相传输文件(文件夹)的方法
2017/05/08 Python
python自动重试第三方包retrying模块的方法
2018/04/24 Python
Python生成rsa密钥对操作示例
2019/04/26 Python
python读取目录下所有的jpg文件,并显示第一张图片的示例
2019/06/13 Python
Python中的pathlib.Path为什么不继承str详解
2019/06/23 Python
对Python _取log的几种方式小结
2019/07/25 Python
详解python中的index函数用法
2019/08/06 Python
基于Python实现剪切板实时监控方法解析
2019/09/11 Python
JetBrains PyCharm(Community版本)的下载、安装和初步使用图文教程详解
2020/03/19 Python
Python程序慢的重要原因
2020/09/04 Python
CSS中垂直居中的简单实现方法
2015/07/06 HTML / CSS
html5的canvas实现3d雪花飘舞效果
2013/12/27 HTML / CSS
美国体育用品商店:Rally House(NCAA、NFL、MLB、NBA、NHL和MLS)
2018/01/03 全球购物
eDreams意大利:南欧领先的在线旅行社
2018/11/23 全球购物
星空联盟C# .net笔试题
2014/12/05 面试题
办公室人员先进事迹
2014/01/27 职场文书
企业安全标语
2014/06/07 职场文书
2014年留守儿童工作总结
2014/12/10 职场文书
证婚人致辞精选
2015/07/28 职场文书
nginx的zabbix 5.0安装部署的方法步骤
2021/07/16 Servers
js 数组 fill() 填充方法
2021/11/02 Javascript
索尼ICF-36收音机评测
2022/04/30 无线电