python多线程爬虫+批量下载斗图啦图片项目(关注、持续更新),,python多线程爬


python多线程爬虫项目()

爬取目标:斗图啦(起始url:http://www.doutula.com/photo/list/?page=1)

爬取内容:斗图啦全网图片

使用工具:requests库实现发送请求、获取响应。  

     xpath实现数据解析、提取和清洗  

     threading模块实现多线程爬虫

爬取结果:

技术分享图片

思路:由于该爬虫存在网络密集IO和磁盘密集IO,存在大量等待时间,遂采用多线程方式爬取。

设计:本文采用多为结构化代码的面向对象封装设计思路,使用生产消费者模型,完成多线程的调度、爬取。

直接放代码(详细说明在注释里,欢迎同行相互交流、学习~):

 1 import os 2 import threading 3 import re 4 from queue import Queue 5 import requests 6 from urllib import request 7 from lxml import etree 8  9 # 定义一个全局变量,存储请求头headers数据10 headers = {11     "User-Agent": "Mozilla/5.0 (compatible; YandexBot/3.0; +http://yandex.com/bots)"12 }13 14 class Producter(threading.Thread):15     """16     生产者模型:负责从起始url队列中提取url,进行解析,将得到的图片地址放入img图片队列中17     """18     def __init__(self, page_queue, img_queue, *args, **kwargs):19         # 改写父类threading.Thread的__init__方法,添加默认值20         super(Producter, self).__init__(*args, **kwargs)21         # 添加对象属性22         self.page_queue = page_queue23         self.img_queue = img_queue24 25     def run(self):26         """27         实现消费者模型的主要业务逻辑28         """ 29         while True:30             # 当请求队列为空,生产者停止生产31             if self.page_queue.empty():32                 break33             # 获取起始url队列的对象,进行页面解析34             url = self.page_queue.get()35             self.parse_url(url)36 37     def parse_url(self, url):38         """39         实现解析指定页面的功能40         :param url: 传入待处理的页面url41         """42         response = requests.get(url=url, headers=headers)43         html = etree.HTML(response.text)44         # 使用lxml库里HTML解析器进行数据解析,利用xpath语法解析得到指定数据,返回一个element对象列表45         url_gifs = html.xpath("//div[@class=‘page-content text-center‘]//img[@class!=‘gif‘]")46         for url_gif in url_gifs:47             # element.get(属性名)可以获取属性值48             url_name = url_gif.get("alt")49             # 正则表达式替换非法字符50             url_name = re.sub(r"[\!!\.\??]", "", url_name).strip()51             url_link = url_gif.get("data-original")52             # os模块中os.path.splitext()可以获取url的后缀名53             url_suffix = os.path.splitext(url_link)[1]54             filename = url_name + url_suffix55             # 队列的put()里面传的是元组或者列表56             self.img_queue.put((url_link, filename)) 57 58 class Consumer(threading.Thread):59     """60     消费者模型的主要业务逻辑61     """62     63     def __init__(self, page_queue, img_queue, *args, **kwargs):64         super(Consumer, self).__init__(*args, **kwargs)65         self.page_queue = page_queue66         self.img_queue = img_queue67 68     def run(self):69         """70         实现读取图片url内容的功能71         """72         while True:73             if self.page_queue.empty() and self.img_queue.empty():74                 break75             url, filename = self.img_queue.get()76             # urllib库里面的request模块可以读取图片url内容77             request.urlretrieve(url, "GIF/" + filename)78             # 控制台输出提示信息79             print(filename + "-------下载完成!")80 81 def main():82     # 创建page队列,存放请求的起始url;创建img队列,存放图片data的url83     page_queue = Queue(100) # 设置队列的最大存储数量84     img_queue = Queue(1000) # 设置队列的最大存储数量85     for i in range(100):86         start_url_format = "http://www.doutula.com/photo/list/?page={}".format(i)87         # print(start_url_format) #调试代码用88         page_queue.put(start_url_format) #将获取的起始url放入队列中89     # 生成多线程对象(多个生产者、消费者)。实现发送请求,获取响应,解析页面,获取数据90     for i in range(10):91         t = Producter(page_queue, img_queue)92         t.start()93     for i in range(10):94         t = Consumer(page_queue, img_queue)95         t.start()96 97 if __name__ == ‘__main__‘:98     main()

python多线程爬虫+批量下载斗图啦图片项目(关注、持续更新)

评论关闭