python使用多线程爬取

/ 01 / 网页分析

小说章节内容接口由上图可知。

第几部、第几章，遍历一遍就完事了。

这里主要是利用多线程进行爬取，

一方面是减少爬取时间，另一方面也是对多线程进行一波简单的学习。

通过Python的threading模块，实现多线程功能。

不过爬太快还是会遭封禁...

所以本次的代码不一定能完全成功，可以选择加个延时或者代理池。

这里人物情况是网上找的，相对来说还是比较完全的。

所以也爬下来，当词典用。

/ 02 / 数据获取

不使用多线程。

import os
import time
import requests
from bs4 import BeautifulSoup

# 初始时间
starttime = time.time()
print(starttime)
# 新建文件夹
folder_path = "F:/Python/Ordinary_world_1/"
os.makedirs(folder_path)
# 遍历
a = [ yi , er , san ]
for i in a:
    for j in range(1, 55):
        headers = { User-Agent : Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36 }
        url = http://www.pingfandeshijie.net/di- + i + -bu- + str( %02d % j) + .html
        response = requests.get(url=url, headers=headers)
        # 设置编码格式
        response.encoding = utf-8
        soup = BeautifulSoup(response.text, lxml )
        # 获取章节情况
        h1 = soup.find( h1 )
        print(h1.get_text())
        # 获取段落内容
        p = soup.find_all( p )
        for k in p:
            if 下一章 in k.get_text():
                break
            content = k.get_text().replace( S*锓 , )
            filename = h1.get_text() + .txt
            with open( F:\Python\Ordinary_world_1\ + filename, a+ ) as f:
                try:
                    f.write(content +
)
                except:
                    pass
            f.close()
# 结束时间
endtime = time.time()
print(endtime)
# 程序运行总时间
print(round(endtime-starttime, 2))

使用多线程的。

import os
import time
import requests
import threading
from bs4 import BeautifulSoup

# 初始时间
starttime = time.time()
# 新建文件夹
folder_path = "F:/Python/Ordinary_world"
os.makedirs(folder_path)

def download(sta, end):
    a = [ yi , er , san ]
    for i in a:
        for j in range(sta, end):
            headers = { User-Agent : Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36 }
            url = http://www.pingfandeshijie.net/di- + i + -bu- + str( %02d % j) + .html
            response = requests.get(url=url, headers=headers)
            # 设置编码格式
            response.encoding = utf-8
            soup = BeautifulSoup(response.text, lxml )
            # 获取章节情况
            h1 = soup.find( h1 )
            print(h1.get_text())
            # 获取段落内容
            p = soup.find_all( p )
            for k in p:
                if 下一章 in k.get_text():
                    break
                content = k.get_text()
                filename = h1.get_text() + .txt
                with open( F:\Python\Ordinary_world\ + filename, a+ ) as f:
                    f.write(content +
)
                f.close()

downloadThreads = []
for chap in range(1, 55, 6):
    downloadThread = threading.Thread(target=download, args=(chap, chap+6))
    downloadThreads.append(downloadThread)
    downloadThread.start()
# 等待所有线程结束
for downloadThread in downloadThreads:
    downloadThread.join()
print( Down )
# 结束时间
endtime = time.time()
# 程序运行总时间
print(round(starttime-endtime, 2))

使用多线程获取的小说内容。

按道理应该是162个文件，但是却只获取了149个。

这是多线程导致的并发问题吗？

即多个线程同时读写变量，导致互相干扰，进而发生并发问题。

最后发现并不是，而是编码出现了问题。

下图是不使用多线程获取的小说内容。

162个文件，确认过眼神，遇上对的人。

获取主要人物信息。

import re
import requests
from bs4 import BeautifulSoup

headers = { User-Agent : Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36 }
url = http://www.360doc.com/content/15/0408/11/22483181_461495582.shtml
response = requests.get(url=url, headers=headers)
response.encoding = utf-8
soup = BeautifulSoup(response.text, lxml )
p = soup.find_all( p )
for i in p[7:-9]:
    if ： in i.get_text():
        result = re.findall( 、(.*?)：, i.get_text())
        name = result[0].replace( 二队队长 , ).replace( “神汉” , ).replace( 地主 , ).strip()
        with open( name.txt , a+ ) as f:
            f.write(name +
)
        f.close()

一共82个人物，还算是比较完整的。

计算人物出现频数。

import os
# 汇总文本信息
for i in os.listdir( F:\Python\Ordinary_world_1 ):
    worldFile = open( F:\Python\Ordinary_world_1\ + i)
    worldContent = worldFile.readlines()
    for j in worldContent:
        with open( world1.txt , a+ ) as f:
            f.write(j)
        f.close()
# 打开文件
file_text = open( world1.txt )
file_name = open( name.txt )
# 人物信息
names = []
for name in file_name:
    names.append(name.replace(
, ))
# 文本信息
content = []
for line in file_text:
    content.append(line)
# 人物出现频数
data = []
for name in names:
    num = 0
    for line in content:
        if name in line:
            num += 1
        else:
            continue
    data.append((name, num))
# 生成字典
worddict = {}
for message in sorted(data, key=lambda x: x[1], reverse=True):
    if message[1] == 0:
        pass
    else:
        worddict[message[0]] = message[1]
print(worddict)

得到人物出现频数信息。

接下来便可以对人物数据进行词云可视化

/ 03 / 数据可视化

这里贴一张网上找的有关wordcloud的使用参数解释。

能够更好的生成一张好看的词云图。

class wordcloud.WordCloud(
        font_path=None,
        width=400,
        height=200,
        margin=2,
        ranks_only=None,
        prefer_horizontal=0.9,
        mask=None, scale=1,
        color_func=None,
        max_words=200,
        min_font_size=4,
        stopwords=None,
        random_state=None,
        background_color= black ,
        max_font_size=None,
        font_step=1,
        mode= RGB ,
        relative_scaling=0.5,
        regexp=None,
        collocations=True,
        colormap=None,
        normalize_plurals=True)

##参数含义如下：
font_path : string //字体路径，需要展现什么字体就把该字体路径+后缀名写上，如：font_path = 黑体.ttf
width : int (default=400) //输出的画布宽度，默认为400像素
height : int (default=200) //输出的画布高度，默认为200像素
prefer_horizontal : float (default=0.90) //词语水平方向排版出现的频率，默认 0.9 （所以词语垂直方向排版出现频率为 0.1 ）
mask : nd-array or None (default=None) //如果参数为空，则使用二维遮罩绘制词云。如果 mask 非空，设置的宽高值将被忽略，遮罩形状被 mask 取代。除全白（#FFFFFF）的部分将不会绘制，其余部分会用于绘制词云。
scale : float (default=1) //按照比例进行放大画布，如设置为1.5，则长和宽都是原来画布的1.5倍。
min_font_size : int (default=4) //显示的最小的字体大小
font_step : int (default=1) //字体步长，如果步长大于1，会加快运算但是可能导致结果出现较大的误差。
max_words : number (default=200) //要显示的词的最大个数
stopwords : set of strings or None //设置需要屏蔽的词，如果为空，则使用内置的STOPWORDS
background_color : color value (default=”black”) //背景颜色，如background_color= white ,背景颜色为白色。
max_font_size : int or None (default=None) //显示的最大的字体大小
mode : string (default=”RGB”) //当参数为“RGBA”并且background_color不为空时，背景为透明。
relative_scaling : float (default=.5) //词频和字体大小的关联性
color_func : callable, default=None //生成新颜色的函数，如果为空，则使用 self.color_func
regexp : string or None (optional) //使用正则表达式分隔输入的文本
collocations : bool, default=True //是否包括两个词的搭配

我主要是设置了文本的字体、颜色、排版方向。

更多信息详见上面，希望你也能做出一样好看的词云图。

不再是那么的不堪入目...

from wordcloud import WordCloud
import matplotlib.pyplot as plt
import numpy as np
import random

# 设置文本随机颜色
def random_color_func(word=None, font_size=None, position=None, orientation=None, font_path=None, random_state=None):
h, s, l = random.choice([(188, 72, 53), (253, 63, 56), (12, 78, 69)])
return "hsl({}, {}%, {}%)".format(h, s, l)

# 绘制圆形
x, y = np.ogrid[:1500,:1500]
mask = (x - 700) ** 2 + (y - 700) ** 2 > 700 ** 2
mask = 255 * mask.astype(int)

wc = WordCloud(
    background_color= white ,
    mask=mask,
    font_path= C:WindowsFonts华康俪金黑W8.TTF ,
    max_words=2000,
    max_font_size=250,
    min_font_size=15,
    color_func=random_color_func,
    prefer_horizontal=1,
    random_state=50
)

wc.generate_from_frequencies({ 田海民 : 76, 马来花 : 15, 雷区长 : 7, 胡得禄 : 9, 金富 : 60, 孙玉亭 : 268, 田润生 : 40, 田晓霞 : 113, 田福堂 : 460, 马国雄 : 27, 张有智 : 112, 黑白 : 15, 周文龙 : 35, 南洋女人 : 12, 卫红 : 32, 田福军 : 346, 冯世宽 : 83, 田润叶 : 45, 孙少平 : 431, 侯玉英 : 49, 王满银 : 134, 田四 : 14, 金俊山 : 128, 李登云 : 95, 金俊武 : 206, 石钟 : 13, 萝卜花 : 12, 惠英 : 86, 高步杰 : 6, 金光辉 : 7, 刘根民 : 50, 徐治功 : 138, 徐爱云 : 19, 武得全 : 2, 曹书记 : 38, 武宏全 : 3, 孙少安 : 385, 王彩娥 : 42, 杨高虎 : 19, 武惠良 : 62, 王世才 : 39, 田晓晨 : 1, 刘志祥 : 29, 苗凯 : 82, 藏族姑娘 : 14, 金俊斌 : 18, 徐国强 : 77, 胡永州 : 17, 憨牛 : 5, 高凤阁 : 26, 张生民 : 26, 白元 : 11, 孙兰香 : 12, 杜丽丽 : 21, 秦富功 : 12, 贾冰 : 43, 金俊海 : 37, 金波 : 235, 金秀 : 71, 胡得福 : 12, 顾尔纯 : 2, 金光亮 : 91, 贺耀宗 : 9, 白明川 : 63, 古风铃 : 32, 乔伯年 : 65, 刘玉升 : 71, 小翠 : 8, 金强 : 64, 胡永合 : 53, 安锁子 : 54, 金先生 : 17, 田五 : 49, 杜正贤 : 13, 孙玉厚 : 197})
plt.imshow(wc)
plt.axis( off )
wc.to_file("平凡的世界.jpg")
print( 生成词云成功! )

最后生成词云如下。

/ 04 / 总结

说来惭愧，小F并没有完整的看完《平凡的世界》。

所以对于书中内容不甚了解，也就不发表评论了。

不过还是希望日后，能抽抽时间读一读经典。

这里摘一段新周刊的评论。

小说里，孙少平到最后也还是一个普通人。

平凡的世界，才是大多数年轻人最后的归宿。

不过即使知道平凡的归宿，我们也要怀抱不平凡的憧憬。

热烈的迎接，燃烧且不辜负！

python使用多线程爬取相关推荐

【Python】多线程爬取某站高颜值小姐姐照片（共1.62GB）
文章目录写在前面目标网站依赖模块爬虫思路完整代码爬虫结果单图预览多图预览引用参考写在前面本文使用Python编写爬虫脚本,实现多线程爬取唯美女生网站高颜值小姐姐的所有照片. 目标 ...
python爬虫多线程爬取网站排行榜上的所有小说
python爬虫,多线程批量爬取多部小说欢迎阅读环境获取排行榜top上的所有小说地址分析排行榜top100页面的html,获取所有小说的url 遍历小说列表url到生成txt 多线程启动爬取任 ...
Python 爬虫多线程爬取美女图片保存到本地
Wanning 我们不是生产者,我们只是搬运工资源来至于qiubaichengren ,代码基于Python 3.5.2 友情提醒:血气方刚的骚年.请谨慎阅图 !!! 谨慎阅图 !!! 谨慎 ...
Python Scrapy 多线程爬取网易云音乐热门歌单信息（手把手教学）
下面我将向大家介绍使用 Scrapy 爬虫获取网易云音乐的热门歌单信息. 这里是网易云音乐的歌单页面,可以看到歌单信息非常得结构化,是非常适合爬虫来爬取的. URL:全部歌单 - 歌单 - 网易云 ...
用python实现多线程爬取影视网站全部视频方法【笔记】
我拿这个站点作为案例:https://91mjw.com/ 其他站点方法都是差不多的. 第一步:获得整站所有的视频连接 html = requests.get("https://91mjw ...
python多线程爬虫数据顺序_多线程爬取小说时如何保证章节的顺序
前言爬取小说时,以每一个章节为一个线程进行爬取,如果不加以控制的话,保存的时候各个章节之间的顺序会乱掉. 当然,这里说的是一本小说保存为单个txt文件,如果以每个章节为一个txt文件,自然不会存在这 ...
python多线程爬取斗图啦数据
python多线程爬取斗图啦网的表情数据使用到的技术点 requests请求库 re 正则表达式 pyquery解析库,python实现的jquery threading 线程 queue 队列 ' ...
Python 多线程爬取西刺代理
西刺代理是一个国内IP代理,由于代理倒闭了,所以我就把原来的代码放出来供大家学习吧. 镜像地址:https://www.blib.cn/url/xcdl.html 首先找到所有的tr标签,与class ...
python壁纸数据抓取_python 多线程爬取壁纸网站的示例
基本开发环境・ Python 3.6 ・ Pycharm 需要导入的库目标网页分析网站是静态网站,没有加密,可以直接爬取整体思路: 1.先在列表页面获取每张壁纸的详情页地址 2.在壁纸详情页面 ...
Python爬虫实战 | 利用多线程爬取 LOL 高清壁纸
来源:公众号[杰哥的IT之旅] 作者:阿拉斯加 ID:Jake_Internet 如需获取本文完整代码及 LOL 壁纸,请为本文右下角点赞并添加杰哥微信:Hc220088 获取. 一.背景介绍随着移 ...

python使用多线程爬取

python使用多线程爬取相关推荐

最新文章

热门文章