Python使用xpath實(shí)現(xiàn)圖片爬取
高性能異步爬蟲(chóng)
目的:在爬蟲(chóng)中使用異步實(shí)現(xiàn)高性能的數(shù)據(jù)爬取操作
異步爬蟲(chóng)的方式:
- 多線程、多進(jìn)程(不建議):
好處:可以為相關(guān)阻塞的操作單獨(dú)開(kāi)啟多線程或進(jìn)程,阻塞操作就可以異步執(zhí)行;
弊端:無(wú)法無(wú)限制的開(kāi)啟多線程或多進(jìn)程。
- 線程池、進(jìn)程池(適當(dāng)?shù)氖褂茫?br />
好處:我們可以降低系統(tǒng)對(duì)進(jìn)程或線程創(chuàng)建和銷毀的一個(gè)頻率,從而很好的降低系統(tǒng)的開(kāi)銷;
弊端:池中線程或進(jìn)程的數(shù)據(jù)是有上限的。
代碼如下
# _*_ coding:utf-8 _*_
"""
@FileName :6.4k圖片解析爬取(異步高性能測(cè)試).py
@CreateTime :2020/8/14 0014 10:01
@Author : Lurker Zhang
@E-mail : 289735192@qq.com
@Desc. :
"""
import requests
from lxml import etree
from setting.config import *
import json
import os
import time
from multiprocessing.dummy import Pool
def main():
# 圖片采集源地址
# source_url = 'http://pic.netbian.com/4kmeinv/'
# temp_url = 'http://pic.netbian.com/4kmeinv/index_{}.html'
# source_url = 'http://pic.netbian.com/4kdongman/'
# temp_url = 'http://pic.netbian.com/4kdongman/index_{}.html'
source_url = 'http://pic.netbian.com/4kmingxing/'
temp_url = 'http://pic.netbian.com/4kmingxing/index_{}.html'
# 本此采集前多少頁(yè),大于1的整數(shù)
page_sum = 136
all_pic_list_url = []
if page_sum == 1:
pic_list_url = source_url
print('開(kāi)始下載:' + pic_list_url)
all_pic_list_url.append(pic_list_url)
else:
# 先采集第一頁(yè)
pic_list_url = source_url
# 調(diào)用采集單頁(yè)圖片鏈接的函數(shù)
all_pic_list_url.append(pic_list_url)
# 再采集第二頁(yè)開(kāi)始后面的頁(yè)數(shù)
for page_num in range(2, page_sum + 1):
pic_list_url = temp_url.format(page_num)
all_pic_list_url.append(pic_list_url)
# 單頁(yè)圖片多線程解析
pool1 = Pool(10)
pool1.map(down_pic, all_pic_list_url)
print('采集完成,本地成功下載{0}張圖片,失敗{1}張圖片。'.format(total_success, total_fail))
# 存儲(chǔ)已下載文件名列表:
with open("../depository/mingxing/pic_name_list.json", 'w', encoding='utf-8') as fp:
json.dump(pic_name_list, fp)
def down_pic(pic_list_url):
print("準(zhǔn)備解析圖片列表頁(yè):",pic_list_url)
# 獲取圖片列表頁(yè)的網(wǎng)頁(yè)數(shù)據(jù)
pic_list_page_text = requests.get(url=pic_list_url, headers=headers).text
tree_1 = etree.HTML(pic_list_page_text)
# 獲取圖片地址列表
pic_show_url_list = tree_1.xpath('//div[@class="slist"]/ul//a/@href')
pic_url_list = [get_pic_url('http://pic.netbian.com' + pic_show_url) for pic_show_url in pic_show_url_list]
# 開(kāi)始下載并保存圖片(多線程)
pool2 = Pool(5)
pool2.map(save_pic, pic_url_list)
def save_pic(pic_url):
print("準(zhǔn)備下載圖片:",pic_url)
global total_success, total_fail, pic_name_list,path
picname = get_pic_name(pic_url)
if not picname in pic_name_list:
# 獲取日期作為保存位置文件夾
pic = requests.get(url=pic_url, headers=headers).content
try:
with open(path + picname, 'wb') as fp:
fp.write(pic)
except IOError:
print(picname + "保存失敗")
total_fail += 1
else:
pic_name_list.append(picname)
total_success += 1
print("成功保存圖片:{0},共成功采集{1}張。".format(picname, total_success))
else:
print("跳過(guò),已下載過(guò)圖片:" + picname)
total_fail += 1
def get_pic_name(pic_url):
return pic_url.split('/')[-1]
def get_pic_url(pic_show_url):
tree = etree.HTML(requests.get(url=pic_show_url, headers=headers).text)
return 'http://pic.netbian.com/' + tree.xpath('//div[@class="photo-pic"]/a/img/@src')[0]
if __name__ == '__main__':
# 讀入已采集圖片的名稱庫(kù),名稱存在重復(fù)的表示已經(jīng)采集過(guò)將跳過(guò)不采集
if not os.path.exists('../depository/mingxing/pic_name_list.json'):
with open("../depository/mingxing/pic_name_list.json", 'w', encoding="utf-8") as fp:
json.dump([], fp)
with open("../depository/mingxing/pic_name_list.json", "r", encoding="utf-8") as fp:
pic_name_list = json.load(fp)
path = '../depository/mingxing/' + time.strftime('%Y%m%d', time.localtime()) + '/'
if not os.path.exists(path):
os.mkdir(path)
# 記錄本次采集圖片的數(shù)量
total_success = 0
total_fail = 0
main()
以上就是本文的全部?jī)?nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
詳解Python中Sync與Async執(zhí)行速度快慢對(duì)比
Python新的版本中支持了async/await語(yǔ)法, 很多文章都在說(shuō)這種語(yǔ)法的實(shí)現(xiàn)代碼會(huì)變得很快, 但是這種快是有場(chǎng)景限制的。這篇文章將嘗試簡(jiǎn)單的解釋為何Async的代碼在某些場(chǎng)景比Sync的代碼快2023-03-03
python OpenCV GrabCut使用實(shí)例解析
這篇文章主要介紹了python OpenCV GrabCut使用實(shí)例解析,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-11-11
Python函數(shù)可變參數(shù)定義及其參數(shù)傳遞方式實(shí)例詳解
這篇文章主要介紹了Python函數(shù)可變參數(shù)定義及其參數(shù)傳遞方式,以實(shí)例形式較為詳細(xì)的分析了Python函數(shù)參數(shù)的使用技巧,需要的朋友可以參考下2015-05-05
Python二叉搜索樹(shù)與雙向鏈表轉(zhuǎn)換實(shí)現(xiàn)方法
這篇文章主要介紹了Python二叉搜索樹(shù)與雙向鏈表轉(zhuǎn)換實(shí)現(xiàn)方法,涉及Python二叉搜索樹(shù)的定義、實(shí)現(xiàn)以及雙向鏈表的轉(zhuǎn)換技巧,需要的朋友可以參考下2016-04-04

