经典Python爬虫例子，Python多线程爬虫例子案例
本帖最后由 huguo002 于 2020-5-15 20:13 编辑很久没写爬虫了，一个经典的Python爬虫例子，Python多线程爬虫例子案例，目标网站结构比较简单，适合练手使用，采用了经典的生产者和消费者模式，同时结合python类和装饰器的使用，应该能够让你获益不少。
几个关键点：
1.python多线程 生产者与消费者模式官方文档：17.1. threading — 基于线程的并行https://docs.python.org/zh-cn/3.6/library/threading.html
两个案例参考：用Python多线程实现生产者消费者模式https://segmentfault.com/a/1190000008909344
python-多线程3-生产者消费者https://www.cnblogs.com/R-bear/p/7031722.html
2.@property 装饰器既要保护类的封装特性，又要让开发者可以使用“对象.属性”的方式操作操作类属性，除了使用 property() 函数，Python 还提供了 @property 装饰器。
通过 @property 装饰器，可以直接通过方法名来访问方法，不需要在方法名后添加一对“（）”小括号。
参考：http://c.biancheng.net/view/4561.htmlhttps://www.liaoxuefeng.com/wiki/897692888725344/923030547069856
3.@staticmethod 静态方法@staticmethod 静态方法只是名义上归属类管理，但是不能使用类变量和实例变量，是类的工具包 放在函数前（该函数不传入self或者cls），所以不能访问类属性和实例属性。
参考：Python进阶-----静态方法（@staticmethod）https://www.cnblogs.com/Meanwey/p/9788713.html
Python staticmethod() 函数https://www.runoob.com/python/python-func-staticmethod.html
4.Queue 队列queue 模块实现多生产者，多消费者队列。当信息必须安全的在多线程之间交换时，它在线程编程中是特别有用的。
此模块中的 Queue 类实现了所有锁定需求的语义。Queue.put(item, block=True, timeout=None) 将 item 放入队列。如果可选参数 block 是 true 并且 timeout 是 None (默认)，则在必要时阻塞至有空闲插槽可用。如果 timeout 是个正数，将最多阻塞 timeout 秒，如果在这段时间没有可用的空闲插槽，将引发 Full 异常。
反之 (block 是 false)，如果空闲插槽立即可用，则把 item 放入队列，否则引发 Full 异常 ( 在这种情况下，timeout 将被忽略)。
参考：17.7. queue — 一个同步的队列类https://docs.python.org/zh-cn/3.6/library/queue.html 还是推荐和尝试去阅读官方文档，慢慢理解和实践！
运行三个报错1.Queue 队列，只能接收一个值
2.目录文件名未格式处理，存储路径错误
3.timeout报错可能是图片路径存在问题，待查证！
运行效果
采集效果
附源码：
#BillWang 博闻 采集
#微信：huguo00289
# -*- coding: UTF-8 -*-
import requests
import os,random,re
from lxml import etree
import threading
from queue import Queue
class Httprequest(object):
ua_list = [
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36Chrome 17.0',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0Firefox 4.0.1',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
]
@property#把方法变成属性的装饰器
def random_headers(self):
return {
'User-Agent': random.choice(self.ua_list)
}
#生产者模式
class Procuder(threading.Thread,Httprequest):
def __init__(self,page_queue,img_queue,*args,**kwargs):
super(Procuder,self).__init__(*args,**kwargs)
self.url = "http://www.billwang.net/html/blogs/"
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.get_list(url)
def get_list(self, url):
print(f">>> 正在爬取列表页 {url}")
html = requests.get(url, headers=self.random_headers, timeout=5).content.decode('utf-8')
req = etree.HTML(html)
hrefs = req.xpath('//div[@class="txtbox"]/a/@href')
for href in hrefs:
href = f'{self.url.split("/html")}{href}'
self.get_content(href)
def get_content(self, url):
print(f">>> 正在爬取详情页 {url}")
html = requests.get(url, headers=self.random_headers, timeout=5).content.decode('utf-8')
req = etree.HTML(html)
title= req.xpath('//div[@class="detail-con"]/h1[@class="title"]/text()')
h1 =self.validate_title(title)
content = req.xpath('//div[@class="content"]//text()')
content = self.deal_content(content)
content_req = req.xpath('//div[@class="content"]')
imgs = content_req.xpath('*//img/@src')
data=(h1, content, imgs)
print(data)
self.img_queue.put(data)
@staticmethod
def validate_title(title):
pattern = r"[\/\\\:\*\?\"\<\>\|]"
new_title = re.sub(pattern, "_", title)# 替换为下划线
return new_title
@staticmethod# @staticmethod 静态方法只是名义上归属类管理，但是不能使用类变量和实例变量，是类的工具包放在函数前（该函数不传入self或者cls），所以不能访问类属性和实例属性
def deal_content(content):
content.remove('\n ')
content.remove(' ')
content = ' '.join(content)
content = content.replace('免责声明：本站目的在于分享更多信息，不代表本站的观点和立场，版权归原作者所有。若有侵权或异议请联系我们删除。', '')
return content
#消费者模式
class Consumer(threading.Thread,Httprequest):
def __init__(self,page_queue,img_queue,*args,**kwargs):
super(Consumer,self).__init__(*args,**kwargs)
self.page_queue=page_queue
self.img_queue=img_queue
self.path = f'billw/'
def save_content(self,h1,content,path):
os.makedirs(self.path, exist_ok=True)# 创建文件夹
print(f">>> 开始保存 {h1}文本内容")
text = '%s%s%s' % (h1, '\n', content)
with open(f'{path}{h1}.txt', 'w', encoding='utf-8') as f:
f.write(text)
print(">>> 保存成功！")
def save_imgs(self,imgs,path):
i = 1
for img in imgs:
img_url = img
img_name = f'{i}{os.path.splitext(img)[-1]}'
img_path = f'{path}{img_name}'
self.save_img(img_url, img_name, img_path)
i = i + 1
def save_img(self, img_url, img_name, img_path):
print(f">>> 开始保存 {img_name} 图片")
r = requests.get(img_url, headers=self.random_headers,timeout=5)
with open(img_path, 'wb') as f:
f.write(r.content)
print(f">>> 保存 {img_name} 图片成功")
def run(self):
while True:
if self.page_queue.empty() and self.img_queue.empty():
break
data=self.img_queue.get()
h1 = data
content = data
imgs = data
path = f'billw/{h1}/'
os.makedirs(path, exist_ok=True)# 创建文件夹
self.save_content(h1, content, path)
self.save_imgs(imgs, path)
def main():
page_queue=Queue(100)
img_queue=Queue(10000)
for i in range(1, 21):
url = "http://www.billwang.net/html/blogs/%d/" % i
print(f'>>> 正在爬取 第{i}页 列表页，链接：{url} ...')
page_queue.put(url)
for x in range(2):
t=Procuder(page_queue,img_queue)
t.start()
for x in range(8):
t=Consumer(page_queue,img_queue)
t.start()
if __name__=="__main__":
main()
huguo002 发表于 2020-5-16 09:06
淘宝是怎么搞定的？
我用的selenium写的， 最初用reques库模拟硬刚， 跟着大牛学习。 不过后来淘宝更新了， 二月写的代码不能爬了 ，现在没办法用了selenium。 处女-大龙猫 发表于 2020-5-15 21:04
最近正在爬淘宝, 不过已经写好了, 这个帖子收藏了, 等忙完就看看, 关于多线程我花不太会写, 我爬淘宝就写了 ...
爬取淘宝哪方面的信息呀？能交流一下不。 aaaaaa 杀鬼图片加载不出啦 只有代码能看 看不到图片 fanvalen 发表于 2020-5-15 19:53
aaaaaa 杀鬼图片加载不出啦 只有代码能看
已重新上图！ hmily65 发表于 2020-5-15 20:05
看不到图片
已重新上图！ 运行效果的动态图是怎么弄的？ 不错，思路清晰，图文并茂，说明详细，受教了 hmily65 发表于 2020-5-15 20:16
运行效果的动态图是怎么弄的？
gif录制的 最近正在爬淘宝, 不过已经写好了, 这个帖子收藏了, 等忙完就看看, 关于多线程我花不太会写, 我爬淘宝就写了两个线程, 关于os的线程这一部分真的有点费劲 点赞一下〜最近想看看多线程怎么操作的