python多线程爬虫实例-Python实现多线程爬虫
编辑推荐:
本文主要介绍对Python多线程爬虫实战的整体的思路,希望对大家有帮助。
本文来知乎,由火龙果软件Alice编辑,推荐。
最近在写爬虫程序爬取亚马逊上的评论信息,因此也自学了很多爬虫相关的知识,其实网络上已经有很多基于Python的入门爬虫程序了,所以学习起来比较方便,唯独那个多线程爬虫一直都学的不是很明白,所以就写下这篇blog记录一下学到的一些东西(主要是对自己所学的一些东西进行整理和总结)。
一、Python的多线程
Python多线程网上的介绍很多了,但是一直都听说Python的多线程很鸡肋,为什么呢?为什么有人说
Python 的多线程是鸡肋呢?里面的多位大佬已经做出了解释,其实就是因为Python多线程用到了全局解释器锁(GIL锁),这里引用一位大佬的回答
:
Python代码的执行由Python虚拟机(解释器)来控制。Python在设计之初就考虑要在主循环中,同时只有一个线程在执行,就像单CPU的系统中运行多个进程那样,内存中可以存放多个程序,但任意时刻,只有一个程序在CPU中运行。同样地,虽然Python解释器可以运行多个线程,但同一时间只有一个线程在解释器中运行。
对Python虚拟机的访问由全局解释器锁(GIL)来控制,正是这个锁能保证同时只有一个线程在运行。在多线程环境中,Python虚拟机按照以下方式执行。
1.设置GIL。
2.切换到一个线程去执行。
3.运行。
4.把线程设置为睡眠状态。
5.解锁GIL。
6.再次重复以上步骤。
对所有面向I/O的(会调用内建的操作系统C代码的)程序来说,GIL会在这个I/O调用之前被释放,以允许其他线程在这个线程等待I/O的时候运行。如果某线程并未使用很多I/O操作,它会在自己的时间片内一直占用处理器和GIL。也就是说,I/O密集型的Python程序比计算密集型的Python程序更能充分利用多线程的好处。
二、线程安全的队列 Queue
队列这种东西大家应该都知道,就是一个先进先出的数据结构,而Python的标准库中提供了一个线程安全的队列,也就是说该模块是适用于多线程编程的先进先出(first-in,first-out,FIFO)数据结构,可以用来在生产者消费者线程之间安全地传递消息或其他数据。它会为调用者处理锁定,使用多个线程可以安全地处理同一个
Queue 实例。Queue 的大小(其中包含的元素个数)可能要受限,以限制内存使用或处理。
在Python 3中要引入Queue和Python 2中引入Queue是不同,引入方式如下:
#python 2
import Queue
# python 3
from queue import Queue
因为是线程安全的,很自然就可以利用Queue来实现一个多线程爬虫咯,而Queue的一些常见操作如下:
# 实例化一个队列,可以在指定队列大小
q = Queue.Queue()
q_50 = Queue.Queue(50) # 指定一个长度为50的队列
# 入队一个数据data
q.put(data)
# 出队并赋值给item
item = q.get()
# 判断队列是否为空,是否满
if q.empty():
print('队列为空')
if q.full():
print('队列满')
除了普通队列,标准库中还有优先队列和后进先出队列这两个队列,分别为LifoQueue和PriorityQueue,其引用方式与Queue类似,使用方法参考
[Python标准库]Queue――线程安全的 FIFO 实现
三、基于多线程爬虫爬取糗事百科的段子
下面进入实战的一个代码,代码的理解也相对简单,相信经过这个代码,大家也可以自行写出一个多线程爬虫。
整体的思路:
1、构造任务队列pageQueue ,存放所有要爬取的页面url
2、用多线程爬虫从糗事百科上抓取糗事,然后将抓取的页面内容存放到data_queue中
3、用多线程程序对data_queue中的页面内容进行解析,分别提取 糗事的图片url,糗事的题目和糗事内容,
然后存放到的json文件中(一个时间点只有一个线程可以写文件IO,注意到Python的多线程机制使用了GIL锁)
import requests
from lxml import etree
from queue import Queue
import threading
import json
'''
Queue.qsize(队列名) #返回队列的大小
Queue.empty(队列名) # 队列为空返回true,否则为false
Queue.full(队列名) # 队列满返回true
Queue.get(队列名,值) # 出队
Queue.put(队列名,值) # 入队
FIFO 先进先出
'''
class Crawl_thread(threading.Thread):
'''
抓取线程类,注意需要继承线程类Thread
'''
def __init__(self,thread_id,queue):
threading.Thread.__init__(self)
# 需要对父类的构造函数进行初始化
self.thread_id = thread_id
self.queue = queue # 任务队列
def run(self):
'''
线程在调用过程中就会调用对应的run方法
:return:
'''
print('启动线程:',self.thread_id)
self.crawl_spider()
print('退出了该线程:',self.thread_id)
def crawl_spider(self):
while True:
if self.queue.empty(): #如果队列为空,则跳出
break
else:
page = self.queue.get()
print('当前工作的线程为:',self.thread_id,"
正在采集:",page)
url = 'https://www.qiushibaike.com/Shr/page/{}/'.
format(str(page))headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36
(KHTML, like Gecko)
Chrome /67.0.3371.0 Safari/537.36'
}
try:
content = requests.get(url,headers=headers)
data_queue.put(content.text)
# 将采集的结果放入data_queue中
except Exception as e:
print('采集线程错误',e)
class Parser_thread(threading.Thread):
'''
解析网页的类,就是对采集结果进行解析,
也是多线程方式进行解析
'''
def __init__(self,thread_id,queue,file):
threading.Thread.__init__(self)
self.thread_id = thread_id
self.queue = queue
self.file = file
def run(self):
print('启动线程:', self.thread_id)
while not flag:
try:
item = self.queue.get(False)
# get参数为false时队列为空,会抛出异常
if not item:
pass
self.parse_data(item)
self.queue.task_done()
# 每当发出一次get操作,就会提示是否堵塞
except Exception as e:
pass
print('退出了该线程:', self.thread_id)
def parse_data(self,item):
'''
解析网页内容的函数
:param item:
:return:
'''
try:
html = etree.HTML(item)
result = html.xpath('//div[contains(@id,"qiushi_tag")]')
# 匹配所有段子内容
for site in result:
try:
img_url = site.xpath('.//img/@src')[0] # 糗事图片
title = site.xpath('.//h2')[0].text # 糗事题目
content = site.xpath('.//div[@class="content"]/span')[0].
text.strip()
# 糗事内容
response={
'img_url':img_url,
'title':title,
'content':content
} #构造json
json.dump(response,fp=self.file,ensure_ascii=False)
# 存放json文件
except Exception as e:
print('parse 2: ', e)
except Exception as e:
print('parse 1: ',e)
data_queue = Queue() # 存放解析数据的queue
flag = False
def main():
output = open('qiushi.json','a',encoding='utf-8')
# 将结果保存到一个json文件中
pageQueue = Queue(50) # 任务队列,存放网页的队列
for page in range(1,11):
pageQueue.put(page) # 构造任务队列
# 初始化采集线程
crawl_threads = []
crawl_name_list = ['crawl_1','crawl_2','crawl_3']
# 总共构造3个爬虫线程
for thread_id in crawl_name_list:
thread = Crawl_thread(thread_id,pageQueue)
#
启动爬虫线程
thread.start() # 启动线程
crawl_threads.append(thread)
# 初始化解析线程
parse_thread = []
parser_name_list = ['parse_1','parse_2','parse_3']
for thread_id in parser_name_list: #
thread = Parser_thread(thread_id,data_queue,output)
thread.start() # 启动线程
parse_thread.append(thread)
# 等待队列情况,先进行网页的抓取
while not pageQueue.empty(): # 判断是否为空
pass # 不为空,则继续阻塞
# 等待所有线程结束
for t in crawl_threads:
t.join()
# 等待队列情况,对采集的页面队列中的页面进行解析,
等待所有页面解析完成
while not data_queue.empty():
pass
# 通知线程退出
global flag
flag = True
for t in parse_thread:
t.join() # 等待所有线程执行到此处再继续往下执行
print('退出主线程')
output.close()
if __name__ == '__main__':
main()
python多线程爬虫实例-Python实现多线程爬虫相关推荐
- python多线程爬虫实例-Python爬虫开发【第1篇】【多线程爬虫及案例】
糗事百科爬虫实例: 需求: 使用requests获取页面信息,用XPath / re 做数据提取 获取每个帖子里的用户头像链接.用户姓名.段子内容.点赞次数和评论次数 保存到 json 文件内 #qi ...
- python多线程爬虫实例-Python多线程在爬虫中的应用
题记:作为测试工程师经常需要解决测试数据来源的问题,解决思路无非是三种:(1)直接从生产环境拷贝真实数据 (2)从互联网上爬取数据 (3)自己用脚本或者工具造数据.前段时间,为了获取更多的测试数据,笔 ...
- python多线程爬虫实例-Python多线程爬虫简单示例
python是支持多线程的,主要是通过thread和threading这两个模块来实现的.thread模块是比较底层的模块,threading模块是对thread做了一些包装的,可以更加方便的使用. ...
- python多线程爬虫实例-python支持多线程的爬虫实例
python是支持多线程的, 主要是通过thread和threading这两个模块来实现的,本文主要给大家分享python实现多线程网页爬虫 一般来说,使用线程有两种模式, 一种是创建线程要执行的函数 ...
- python多线程爬虫实例-python多线程爬虫实例讲解
Python作为一门强大的脚本语言,我们经常使用python来写爬虫程序,简单的爬虫会写,可是用python写多线程网页爬虫,应该如何写呢?一般来说,使用线程有两种模式,一种是创建线程要执行的函数,把 ...
- Python GUI制作实例 wxPython使用多线程 防假死含wxFormBuilder的文件及源码
wxFormBuilder使用的教程较少,网上的文件源码也少. 最近使用 python 写了一个GUI,可以打开设置文件,并对xlsx文件进行处理,可以将部分信息输出到gui界面,像print输出到c ...
- python爬虫实例网易云-Python3爬虫实例之网易云音乐爬虫
本篇文章给大家带来的内容是Python3爬虫实例之网易云音乐爬虫.有一定的参考价值,有需要的朋友可以参考一下,希望对你们有所帮助. 此次的目标是爬取网易云音乐上指定歌曲所有评论并生成词云 具体步骤: ...
- python 爬虫实例-python爬虫实例,一小时上手爬取淘宝评论(附代码)
前言 本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理. 1 明确目的 通过访问天猫的网站,先搜索对应的商品,然后爬取它的评论数据. ...
- python爬虫实例-python使用百度进行爬虫简单学习例子
root@kali:~/py# python table.py list: ['http://www.baidu.com/s?wd=python&pn=10&oq=python& ...
最新文章
- SpringBoot自定义请求参数转换器
- 几十年的领域专家告诉你,机器翻译进化到哪一步了?
- ios编译与android编译区别是什么,为iOS和Android编译C ++代码(XCode)。 这是真的吗?...
- @Scheduled(cron = 0/5 * * * * *)将时间改为配置
- linux重启鼠标键盘服务,Linux 关闭服务后 鼠标 键盘用不了
- 金蝶云拿下客户满意度第一,中国SaaS企业觅得“后发先至”良机
- axure命令行_axure怎么做计算器
- Python 简写操作(for、if简写、匿名函数)
- 《ArcGIS Runtime SDK for Android开发笔记》——(1)、Android Studio下载与安装
- C#反射技术的简单操作(读取和设置类的属性)
- 2021年高压电工考试及高压电工考试资料
- WIN10下怎么用OBS捕捉全屏放映的PPT
- Eclipse中快捷键组合
- Win7电脑无法进入睡眠模式怎么办
- Javase day06_汇总
- 海尔全球十一连冠背后: 生态时代的无限游戏
- 计算机视觉中头部姿态估计的研究综述--Head Pose Estimation in Computer Vision - A Survey
- matlab 中图的大小_关于matlab绘图中字体及图片大小等的设置
- Soul 源码分析07 SOUL Admin 网关 Http长轮询 数据同步
- 输入学生学号、成绩,并排序