Python?多線程爬取案例
前言
簡單的爬蟲只有一個進程、一個線程，因此稱為??單線程爬蟲??。單線程爬蟲每次只訪問一個頁面，不能充分利用計算機的網(wǎng)絡帶寬。一個頁面最多也就幾百KB，所以爬蟲在爬取一個頁面的時候，多出來的網(wǎng)速和從發(fā)起請求到得到源代碼中間的時間都被浪費了。如果可以讓爬蟲同時訪問10個頁面，就相當于爬取速度提高了10倍。為了達到這個目的，就需要使用??多線程技術??了。
微觀上的單線程，在宏觀上就像同時在做幾件事。這種機制在 ??I/O（Input/Output，輸入/輸出）密集型的操作??上影響不大，但是在??CPU計算密集型的操作??上面，由于只能使用CPU的一個核，就會對性能產(chǎn)生非常大的影響。所以涉及計算密集型的程序，就需要使用多進程。
爬蟲屬于I/O密集型的程序，所以使用多線程可以大大提高爬取效率。
一、多進程庫（multiprocessing）
??multiprocessing?? 本身是??Python的多進程庫??，用來處理與多進程相關的操作。但是由于進程與進程之間不能直接共享內(nèi)存和堆棧資源，而且啟動新的進程開銷也比線程大得多，因此使用多線程來爬取比使用多進程有更多的優(yōu)勢。
multiprocessing下面有一個??dummy模塊?? ，它可以讓Python的線程使用multiprocessing的各種方法。
dummy下面有一個??Pool類?? ，它用來實現(xiàn)線程池。這個線程池有一個??map()方法??，可以讓線程池里面的所有線程都“同時”執(zhí)行一個函數(shù)。
測試案例 計算0～9的每個數(shù)的平方
# 循環(huán) for i in range(10): print(i ** i)
也許你的第一反應會是上面這串代碼，循環(huán)不就行了嗎？反正就10個數(shù)！
這種寫法當然可以得到結(jié)果，但是代碼是一個數(shù)一個數(shù)地計算，效率并不高。而如果使用多線程的技術，讓代碼同時計算很多個數(shù)的平方，就需要使用 ??multiprocessing.dummy?? 來實現(xiàn)：
from multiprocessing.dummy import Pool
# 平方函數(shù)
def calc_power2(num):
return num * num
# 定義三個線程池
pool = Pool(3)
# 定義循環(huán)數(shù)
origin_num = [x for x in range(10)]
# 利用map讓線程池中的所有線程‘同時'執(zhí)行calc_power2函數(shù)
result = pool.map(calc_power2, origin_num)
print(f'計算1-10的平方分別為：{result}')在上面的代碼中，先定義了一個函數(shù)用來計算平方，然后初始化了一個有3個線程的線程池。這3個線程負責計算10個數(shù)字的平方，誰先計算完手上的這個數(shù)，誰就先取下一個數(shù)繼續(xù)計算，直到把所有的數(shù)字都計算完成為止。
在這個例子中，線程池的 ??map()?? 方法接收兩個參數(shù)，第1個參數(shù)是函數(shù)名，第2個參數(shù)是一個列表。注意：第1個參數(shù)僅僅是函數(shù)的名字，是不能帶括號的。第2個參數(shù)是一個可迭代的對象，這個可迭代對象里面的每一個元素都會被函數(shù) ??clac_power2()?? 接收來作為參數(shù)。除了列表以外，元組、集合或者字典都可以作為 ??map()?? 的第2個參數(shù)。
二、多線程爬蟲
由于爬蟲是 ??I/O密集型?? 的操作，特別是在請求網(wǎng)頁源代碼的時候，如果使用單線程來開發(fā)，會浪費大量的時間來等待網(wǎng)頁返回，所以把多線程技術應用到爬蟲中，可以大大提高爬蟲的運行效率。
下面通過兩段代碼來對比單線程爬蟲和多線程爬蟲爬取??CSDN首頁??的性能差異：
import time
import requests
from multiprocessing.dummy import Pool
# 自定義函數(shù)
def query(url):
requests.get(url)
start = time.time()
for i in range(100):
query('https://www.csdn.net/')
end = time.time()
print(f'單線程循環(huán)訪問100次CSDN，耗時：{end - start}')
start = time.time()
url_list = []
for i in range(100):
url_list.append('https://www.csdn.net/')
pool = Pool(5)
pool.map(query, url_list)
end = time.time()
print(f'5線程訪問100次CSDN，耗時：{end - start}')
從運行結(jié)果可以看到，一個線程用時約??69.4s??，5個線程用時約??14.3s??，時間是單線程的??五分之一??左右。從時間上也可以看到5個線程“同時運行”的效果。
但并不是說線程池設置得越大越好。從上面的結(jié)果也可以看到，5個線程運行的時間其實比一個線程運行時間的五分之一（??13.88s??）要多一點。這多出來的一點其實就是線程切換的時間。這也從側(cè)面反映了Python的多線程在微觀上還是串行的。
因此，如果線程池設置得過大，線程切換導致的開銷可能會抵消多線程帶來的性能提升。線程池的大小需要根據(jù)實際情況來確定，并沒有確切的數(shù)據(jù)。
三、案例實操
從 ? ?https://www.kanunu8.com/book2/11138/?? 爬取?
?《北歐眾神》??所有章節(jié)的網(wǎng)址，再通過一個多線程爬蟲將每一章的內(nèi)容爬取下來。在本地創(chuàng)建一個“北歐眾神”文件夾，并將小說中的每一章分別保存到這個文件夾中，且每一章保存為一個文件。
import re
import os
import requests
from multiprocessing.dummy import Pool
# 爬取的主網(wǎng)站地址
start_url = 'https://www.kanunu8.com/book2/11138/'
"""
獲取網(wǎng)頁源代碼
:param url: 網(wǎng)址
:return: 網(wǎng)頁源代碼
"""
def get_source(url):
html = requests.get(url)
return html.content.decode('gbk') # 這個網(wǎng)頁需要使用gbk方式解碼才能讓中文正常顯示
"""
獲取每一章鏈接，儲存到一個列表中并返回
:param html: 目錄頁源代碼
:return: 每章鏈接
"""
def get_article_url(html):
article_url_list = []
article_block = re.findall('正文(.*?)<div class="clear">', html, re.S)[0]
article_url = re.findall('<a href="(\d*.html)" rel="external nofollow" rel="external nofollow" >', article_block, re.S)
for url in article_url:
article_url_list.append(start_url + url)
return article_url_list
"""
獲取每一章的正文并返回章節(jié)名和正文
:param html: 正文源代碼
:return: 章節(jié)名，正文
"""
def get_article(html):
chapter_name = re.findall('<h1>(.*?)<br>', html, re.S)[0]
text_block = re.search('<p>(.*?)</p>', html, re.S).group(1)
text_block = text_block.replace('?', '') # 替換 ? 網(wǎng)頁空格符
text_block = text_block.replace('<p>', '') # 替換 <p></p> 中的嵌入的 <p></p> 中的 <p>
return chapter_name, text_block
"""
將每一章保存到本地
:param chapter: 章節(jié)名, 第X章
:param article: 正文內(nèi)容
:return: None
"""
def save(chapter, article):
os.makedirs('北歐眾神', exist_ok=True) # 如果沒有"北歐眾神"文件夾，就創(chuàng)建一個，如果有，則什么都不做"
with open(os.path.join('北歐眾神', chapter + '.txt'), 'w', encoding='utf-8') as f:
f.write(article)
"""
根據(jù)正文網(wǎng)址獲取正文源代碼，并調(diào)用get_article函數(shù)獲得正文內(nèi)容最后保存到本地
:param url: 正文網(wǎng)址
:return: None
"""
def query_article(url):
article_html = get_source(url)
chapter_name, article_text = get_article(article_html)
# print(chapter_name)
# print(article_text)
save(chapter_name, article_text)
if __name__ == '__main__':
toc_html = get_source(start_url)
toc_list = get_article_url(toc_html)
pool = Pool(4)
pool.map(query_article, toc_list)四、案例解析
1、獲取網(wǎng)頁內(nèi)容
# 爬取的主網(wǎng)站地址
start_url = 'https://www.kanunu8.com/book2/11138/'
def get_source(url):
html = requests.get(url)
return html.content.decode('gbk') # 這個網(wǎng)頁需要使用gbk方式解碼才能讓中文正常顯示這一部分并不難，主要就是指明需要爬取的網(wǎng)站，并通過 ??request.get()?? 的請求方式獲取網(wǎng)站，在通過 ??content.decode()?? 獲取網(wǎng)頁的解碼內(nèi)容，其實就是獲取網(wǎng)頁的源代碼。
2、獲取每一章鏈接
def get_article_url(html):
article_url_list = []
# 根據(jù)正文鎖定每一章節(jié)的鏈接區(qū)域
article_block = re.findall('正文(.*?)<div class="clear">', html, re.S)[0]
# 獲取到每一章的鏈接
article_url = re.findall('<a href="(\d*.html)" rel="external nofollow" rel="external nofollow" >', article_block, re.S)
for url in article_url:
article_url_list.append(start_url + url)
return這里需要獲取到每一章的鏈接，首先我們根據(jù)正文鎖定每一章節(jié)的鏈接區(qū)域，然后在鏈接區(qū)域中獲取到每一章的鏈接，形成列表返回。
在獲取每章鏈接的時候，通過頁面源碼可以發(fā)現(xiàn)均為??數(shù)字開頭??，??.html結(jié)尾??，于是利用正則 ??(\d*.html)?? 匹配即可：
3、獲取每一章的正文并返回章節(jié)名和正文
def get_article(html):
chapter_name = re.findall('<h1>(.*?)<br>', html, re.S)[0]
text_block = re.search('<p>(.*?)</p>', html, re.S).group(1)
text_block = text_block.replace('?', '') # 替換 ? 網(wǎng)頁空格符
text_block = text_block.replace('<p>', '') # 替換 <p></p> 中的嵌入的 <p></p> 中的 <p>
return chapter_name,這里利用正則分別匹配出每章的標題和正文內(nèi)容：
格式化后：
4、將每一章保存到本地
"""
將每一章保存到本地
:param chapter: 章節(jié)名, 第X章
:param article: 正文內(nèi)容
:return: None
"""
def save(chapter, article):
os.makedirs('北歐眾神', exist_ok=True) # 如果沒有"北歐眾神"文件夾，就創(chuàng)建一個，如果有，則什么都不做"
with open(os.path.join('北歐眾神', chapter + '.txt'), 'w', encoding='utf-8') as f:
f.write(article)這里獲取到我們處理好的文章標題及內(nèi)容，并將其寫入本地磁盤。首先創(chuàng)建文件夾，然后打開文件夾以 ??章節(jié)名??+??.txt?? 結(jié)尾存儲每章內(nèi)容。
5、多線程爬取文章
""" 根據(jù)正文網(wǎng)址獲取正文源代碼，并調(diào)用get_article函數(shù)獲得正文內(nèi)容最后保存到本地 :param url: 正文網(wǎng)址 :return: None """ def query_article(url): article_html = get_source(url) chapter_name, article_text = get_article(article_html) # print(chapter_name) # print(article_text) save(chapter_name, article_text) if __name__ == '__main__': toc_html = get_source(start_url) toc_list = get_article_url(toc_html) pool = Pool(4) pool.map(query_article, toc_list)
這里 ??query_article?? 調(diào)用 ??get_source??、??get_article?? 函數(shù)獲取以上分析的內(nèi)容，再調(diào)用 ??save?? 函數(shù)進行本地存儲，主入口main中創(chuàng)建線程池，包含4個線程。
??map()方法??，可以讓線程池里面的所有線程都“同時”執(zhí)行一個函數(shù)。 ??同時map()?? 方法接收兩個參數(shù)，第1個參數(shù)是函數(shù)名，第2個參數(shù)是一個列表。這里我們需要對每一個章節(jié)進行爬取，所以應該是遍歷??章節(jié)鏈接的列表??（調(diào)用 ??get_article_url?? 獲?。?，執(zhí)行 ??query_article?? 方法進行爬取保存。
最后運行程序即可！
到此這篇關于Python 多線程爬取案例的文章就介紹到這了,更多相關Python 多線程爬取內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要介紹了Sanic框架Cookies操作,結(jié)合實例形式分析了Sanic框架cookie讀取、寫入及刪除等簡單操作技巧,需要的朋友可以參考下2018-07-07
這篇文章主要介紹了python?包之?Pillow?圖像處理教程分享，文章基于Python的相關資料展開主題相關內(nèi)容，需要的小伙伴可以參考一下2022-04-04
今天小編就為大家分享一篇關于Python數(shù)據(jù)可視化之畫圖，小編覺得內(nèi)容挺不錯的，現(xiàn)在分享給大家，具有很好的參考價值，需要的朋友一起跟隨小編來看看吧2019-01-01
這篇文章主要介紹了Python異常處理總結(jié),需要的朋友可以參考下2014-08-08
Tkinter中的Frame控件是一個用于組織和管理其他控件的容器,它可以將其他控件放置在自己內(nèi)部,用于創(chuàng)建更復雜的用戶界面,要創(chuàng)建一個Frame控件,可以使用Tkinter的Frame類,所以本文就通過一個簡單的示例給大家介紹一下2023-08-08
本篇文章主要介紹了詳解Python nose單元測試框架的安裝與使用，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-12-12
python3報錯check_hostname?requires?server_hostname的解決
這篇文章主要介紹了python3報錯check_hostname?requires?server_hostname的解決,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-12-12
今天小編就為大家分享一篇python 抓包保存為pcap文件并解析的實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07
本文已經(jīng)是編寫類系列的第三篇了，也是最后一篇，介紹下子類，也算是個小總結(jié)吧，有需要的朋友可以參考下2014-10-10
前段時間做一個項目，不得不使用Python直接生成Excel文件，后來隨著需求的變化，還要對已有的Excel文件進行讀取。所以想著記錄下來，這篇文章主要給大家介紹了Python操作Excel之xlsx文件的相關資料，需要的朋友可以參考下。2017-03-03