欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

数据挖掘_多线程抓取

程序员文章站 2022-04-18 13:13:46
在这一篇文章中,我们主要来介绍多线程抓取数据。 多线程是以并发的方式执行的,在这里要注意,Python的多线程程序只能运行在一个单核上以并发的方式运行,即便是多核的机器,所以说,使用多线程抓取可以极大地提高抓取效率 下面我们以requests为例介绍多线程抓取,然后在通过与单线程程序比较,体会多线程 ......

在这一篇文章中,我们主要来介绍多线程抓取数据。

 数据挖掘_多线程抓取

多线程是以并发的方式执行的,在这里要注意,Python的多线程程序只能运行在一个单核上以并发的方式运行,即便是多核的机器,所以说,使用多线程抓取可以极大地提高抓取效率

 

下面我们以requests为例介绍多线程抓取,然后在通过与单线程程序比较,体会多线程的效率的提高

 

这一次,我就不用我的网站做测试了,因为网站的内容此时还并不是太多,不能体现多线程的优势

 

我们通过当当网来测试我们的多线程实例,通过对搜索结果的同一抓取实现功能的演示,搜索模式地址如下

http://search.dangdang.com/?key=Python&act=input&page_index=1

 可以看到key代表的是搜索关键字,act代表你是通过什么方式搜索的,page_index代表的是搜索页面的页码

数据挖掘_多线程抓取

 

在抓取到上面的页码后,要对里面的信息进行提取,最后将提取的信息保存在文本文件中,文件中保存每一本书的书名,以及他的链接

 

下面我们定义抓取实验所需要的方法(或函数)

# coding=utf-8
__Author__ = "susmote"

import requests
from bs4 import BeautifulSoup


def format_str(s):
    return s.replace("\n", "").replace(" ", "").replace("\t", "")

def get_urls_in_pages(from_page_num, to_page_num):
    urls = []
    search_word = "python"
    url_part_1 = "http://search.dangdang.com/?key="
    url_part_2 = "&act=input"
    url_part_3 = "&page_index="
    for i in range(from_page_num, to_page_num + 1):
        urls.append(url_part_1 + search_word + url_part_2 + url_part_3 + str(i))
    all_href_list = []
    for url in urls:
        print(url)
        resp = requests.get(url)
        bs = BeautifulSoup(resp.text, "lxml")
        a_list = bs.find_all("a")
        needed_list = []
        for a in a_list:
            if 'name' in a.attrs:
                name_val = a['name']
                href_val = a['href']
                title = a.text
                if 'itemlist-title' in name_val and title != "":
                    if [title, href_val] not in needed_list:
                        needed_list.append([format_str(title), format_str(href_val)])
        all_href_list += needed_list
    all_href_file = open(str(from_page_num) + '_' + str(to_page_num) + '_' + 'all_hrefs.txt', 'w')
    for href in all_href_list:
        all_href_file.write('\t'.join(href) + '\n')
    all_href_file.close()
    print(from_page_num, to_page_num, len(all_href_list))

  下面我们来解释一下这些代码

首先,format_str是用来在提取信息后去掉多余的空白

而get_url_in_pages方法是执行功能的主体,这个方法接收的参数是指页码的范围,函数体中,urls主要用来存放基于两个参数所生成的所有要抓取的页面的链接,我把url分为3个部分,也是为了方便之后对链接的组合,然后的for循环就是做的是拼接的工作,这里我不多做解释了,如果不懂,请留言

下一步,我们定义了一个列表all_href_list ,这个列表是用来存储每页中包含图书信息的,实际上它又是一个嵌套的列表,里面的元素是[书名, 链接],他的形式如下所示

all_href_list = [
    ['书名1', "链接1"],
    ['书名2', "链接2"],
    ['书名3', "链接3"],
    ......
]

 

后面的代码就是对灭一页进行抓取和提取信息了,这部分的代码都在for url in urls这个循环体中,首先打印链接,然后调用requs的get方法,获取页面,之后又使用BeautifulSoup将get请求放回的HTML文本进行分析,转为BeautifulSoup能够处理的结构,命名为bs

之后我们定义的needed_list是用来存放书名和链接的,bs.find_all('a')抽取了页面中所有的链接元素,for a in a_list 对每一个列表中的元素进行遍历分析,在这之前,我们通过浏览器发现了他的结构

数据挖掘_多线程抓取

每个书籍元素中都会有一个属性name,值为"itemlist_title",通过这个我们很容易的就筛选出了书籍元素,然后将书籍信息,以及链接元素href一同存入列表,在存之前,我们还做了一些判断,是否已经存在这个链接了,和这个元素的链接为空

每抽取完一个页面的链接后,就可以把它加入到all_href_list中,也就是下面这行代码

all_href_list += needed_list

  注意我在这里使用的是 += 运算符

获取到范围内所有的链接元素后,就可以写入文件了,在这里我不做过多解释了

 

然后我们下一步就是定义多线程了,因为我们搜索关键词总的页数是32页

数据挖掘_多线程抓取

 

所以我们在这里准备用3个线程来完成这些任务,也就是每个线程处理10个页面,在单线程的情况下,这30页用一个线程单独完成

下面我们给出抓取方案的代码

# coding=utf-8
__Author__ = "susmote"

import time
import threading
from mining_func import get_urls_in_pages

def multiple_threads_test():
    start_time = time.time()
    page_range_list = [
        (1, 10),
        (11, 20),
        (21, 32),
    ]
    
    th_list = []
    for page_range in page_range_list:
        th = threading.Thread(target = get_urls_in_pages, args = (page_range[0], page_range[1]))
        th_list.append(th)
    
    for th in th_list:
        th.start()
        
    for th in th_list:
        th.join()
        
    end_time = time.time()
    print("共使用时间1:", end_time - start_time)
    return end_time - start_time

  

简单解释一下,为了获取运行的时间,我们定义了一个开始时间start_time 和 一个结束时间end_time,运行时间也就是结束时间减去开始时间

然后定义的一个列表page_range_list也就是把页码分为三段,前面有提到过

之后又定义了一个列表th_list也就是存储所有线程对象的列表,之后通过一个循环,生成了3个线程对象,分别对应着不同的页码范围,把他们存入列表

然后在后面的循环中,分别执行th.start(),开启线程,在后面,我们为了使这些异步并发执行的线程都执行完毕后再退出函数,这里使用了线程的join方法,等待各线程执行完毕

 

下面就是最激动人心的时候了,对代码进行测试

在这里,我们写下如下代码

# coding=utf-8
__Author__ = "susmote"

from mining_threading import multiple_threads_test

if __name__ == "__main__":
    mt = multiple_threads_test()
    print('mt', mt)

  

为了使测试结果更加精确,我们进行三次实验,取平均时间 

第一次实验

数据挖掘_多线程抓取

使用时间6.651

第二次实验

 

数据挖掘_多线程抓取

使用时间6.876

第三次实验

 数据挖掘_多线程抓取

使用时间6.960

 

平均时间如下

数据挖掘_多线程抓取

6.829

 

下面是单进程代码

# coding=utf-8
__Author__ = "susmote"

import time
from mining_func import get_urls_in_pages


def sigle_test():
    start_time = time.time()
    get_urls_in_pages(1, 32)
    end_time = time.time()
    print("共使用时间 : ", end_time - start_time)
    return end_time - start_time 

  

调用函数如下

# coding=utf-8
__Author__ = "susmote"

from single_mining import single_test


if __name__ == "__main__":
    st = single_test()
    print('st ', st) 

  

在命令行下执行

 

第一次

数据挖掘_多线程抓取

10.138

 

第二次

数据挖掘_多线程抓取

10.290

 

第三次

数据挖掘_多线程抓取

10.087

 

平均花费时间

数据挖掘_多线程抓取

10.171

 

所以说,多线程的确能够提高抓取的效率,注意,这是在数据比较少的情况进行的,如果数据量比较大的话,多线程的优势就很明显了

你可以自己去更改搜索关键词,和页码,或是重新找一个网页(抓取跟网速也有很大的关系)

 

附几张抓取数据的图

数据挖掘_多线程抓取

 

数据挖掘_多线程抓取