Python多线程爬虫获取糗事百科段子(Python爬虫实战2)
程序员文章站
2022-09-26 16:28:01
1. 多进程爬虫 对于数据量较大的爬虫,对数据的处理要求较高时,可以采用python多进程或多线程的机制完成,多进程是指分配多个CPU处理程序,同一时刻只有一个CPU在工作,多线程是指进程内部有多个类似"子进程"同时在协同工作。python中有多种多个模块可完成多进程和多线程的工作,此处此用mult ......
1. 多进程爬虫
对于数据量较大的爬虫,对数据的处理要求较高时,可以采用python多进程或多线程的机制完成,多进程是指分配多个CPU处理程序,同一时刻只有一个CPU在工作,多线程是指进程内部有多个类似"子进程"同时在协同工作。python中有多种多个模块可完成多进程和多线程的工作,此处此用multiprocessing模块完成多线程爬虫,测试过程中发现,由于站点具有反爬虫机制,当url地址和进程数目较多时,爬虫会报错。
2. 代码内容
#!/usr/bin/python #_*_ coding:utf _*_ import re import time import requests from multiprocessing import Pool duanzi_list = [] def get_web_html(url): ''' @params:获取url地址web站点的html数据 ''' headers = {"User-Agent": "Mozilla/5.0 (X11; Linux x86_64; rv:52.0) Gecko/20100101 Firefox/52.0"} try: req = requests.get(url,headers=headers) if req.status_code == 200: response = req.text.encode('utf8') except Exception as e: print e return response def scrap_qiushi_info(url): ''' @params:url,获取段子数据信息 ''' html = get_web_html(url) usernames = re.findall(r'<h2>(.*?)</h2>',html,re.S|re.M) levels = re.findall('<div class="articleGender \w*Icon">(\d+)</div>',html,re.S|re.M) laugh_counts = re.findall('<span class="stats-vote">.*?<i class="number">(\d+)</i>',html,re.S|re.M) comment_counts = re.findall('<i class="number">(\d+)</i> 评论',html,re.S|re.M) contents = re.findall('<div class="content">.*?<span>(.*?)</span>',html,re.S|re.M) for username,level,laugh_count,comment_count,content in zip(usernames,levels,laugh_counts,comment_counts,contents): information = { "username": username.strip(), "level": level.strip(), "laugh_count": laugh_count.strip(), "comment_count": comment_count.strip(), "content": content.strip() } duanzi_list.append(information) time.sleep(1) return duanzi_list def normal_scapper(url_lists): ''' 定义调用函数,使用普通的爬虫函数爬取数据 ''' begin_time = time.time() for url in url_lists: scrap_qiushi_info(url) end_time = time.time() print "普通爬虫一共耗费时长:%f" % (end_time - begin_time) def muti_process_scapper(url_lists,process_num=2): ''' 定义多进程爬虫调用函数,使用mutiprocessing模块爬取web数据 ''' begin_time = time.time() pool = Pool(processes=process_num) pool.map(scrap_qiushi_info,url_lists) end_time = time.time() print "%d个进程爬虫爬取所耗费时长为:%s" % (process_num,(end_time - begin_time)) def main(): ''' 定义main()函数,程序入口,通过列表推倒式获取url地址,调用爬虫函数 ''' url_lists = ['https://www.qiushibaike.com/text/page/{}'.format(i) for i in range(1,11)] normal_scapper(url_lists) muti_process_scapper(url_lists,process_num=2) if __name__ == "__main__": main()
3. 多线程机制
上一篇: python3通过qq邮箱发送邮件