admin管理员组文章数量:1542383
最后
不知道你们用的什么环境,我一般都是用的Python3.6环境和pycharm解释器,没有软件,或者没有资料,没人解答问题,都可以免费领取(包括今天的代码),过几天我还会做个视频教程出来,有需要也可以领取~
给大家准备的学习资料包括但不限于:
Python 环境、pycharm编辑器/永久激活/翻译插件
python 零基础视频教程
Python 界面开发实战教程
Python 爬虫实战教程
Python 数据分析实战教程
python 游戏开发实战教程
Python 电子书100本
Python 学习路线规划
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化学习资料的朋友,可以戳这里获取
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
print(“测试代码4”)
except KeyError:
#如果获得KeyError异常,跳过
pass
else:
#如果是未成功下载的网页,重新下载
if result[“code”]:
if self.num_retries > 0 and 500<result[“code”]<600:
result = None
如果页面不存在,下载该页面
if result is None:
#延迟默时间
self.throttle.wait(url)
if self.proxies:
#如果有代理IP,从代理IP列表中随机抽取一个代理IP
proxy = random.choice(self.proxies)
else:
proxy = None
#构造请求头
headers = {“User-agent”:self.user_agent}
#下载页面
result = self.download(url,headers,proxy = proxy,num_retries = self.num_retries)
‘’’
file = open(“f:\\bilibili.html”,“wb”)
file.write(result[“html”])
file.close()
‘’’
if self.cache:
#如果有缓存方式,缓存网页
self.cache[url] = result
print(url,“页面下载完成”)
return result[“html”]
def download(self,url,headers,proxy,num_retries,data=None):
‘’’
用于下载一个页面,返回页面和与之对应的状态码
‘’’
#构建请求
request = urllib.request.Request(url,data,headers or {})
request.add_header(“Cookie”,“finger=7360d3c2; UM_distinctid=15c59703db998-0f42b4b61afaa1-5393662-100200-15c59703dbcc1d; pgv_pvi=653650944; fts=1496149148; sid=bgsv74pg; buvid3=56812A21-4322-4C70-BF18-E6D646EA78694004infoc; CNZZDATA2724999=cnzz_eid%3D214248390-1496147515-https%253A%252F%252Fwww.baidu%252F%26ntime%3D1496805293”)
request.add_header(“Upgrade-Insecure-Requests”,“1”)
opener = self.opener or urllib.request.build_opener()
if proxy:
#如果有代理IP,使用代理IP
opener = urllib.request.build_opener(urllib.request.ProxyHandler(proxy))
try:
#下载网页
response = opener.open(request)
print(“code是”,response.code)
html = response.read().decode()
code = response.code
except Exception as e:
print(“下载出现错误”,str(e))
html = ‘’
if hasattr(e,“code”):
code =e.code
if num_retries > 0 and 500<code<600:
#如果错误不是未找到网页,则重新下载num_retries次
return self.download(url,headers,proxy,num_retries-1,data)
else:
code = None
print(html)
return {“html”:html,“code”:code}
class Throttle:
‘’’
按照延时,请求,代理IP等下载网页,处理网页中的link的类
‘’’
def __init__(self, delay):
self.delay = delay
self.domains = {}
def wait(self, url):
‘’’
每下载一个html之间暂停的时间
‘’’
获得域名
domain = urllib.parse.urlparse(url)loc
获得上次访问此域名的时间
las_accessed = self.domains.get(domain)
if self.delay > 0 and las_accessed is not None:
计算需要强制暂停的时间 = 要求的间隔时间 - (现在的时间 - 上次访问的时间)
sleep_secs = self.delay - (datetime.datetime.now() - las_accessed).seconds
if sleep_secs > 0:
time.sleep(sleep_secs)
存储此次访问域名的时间
self.domains[domain] = datetime.datetime.now()
然后是实现爬虫功能的类
import time
import threading
import re
import urllib.parse
import datetime
from bs4 import BeautifulSoup
from Downloader import Downloader
from MongoCache import MongoCache
SLEEP_TIME = 1
def get_links(html):
‘’’
获得一个页面上的所有链接
‘’’
bs = BeautifulSoup(html, “lxml”)
link_labels = bs.find_all(“a”)
for link in link_labels:
return [link_label.get(‘href’, “default”) for link_label in link_labels]
def same_domain(url1, url2):
‘’’
判断域名书否相同
‘’’
return urllib.parse.urlparse(url1)loc == urllib.parse.urlparse(url2)loc
def normalize(seed_url, link):
‘’’
用于将绝对路径转换为相对路径
‘’’
link, no_need = urllib.parse.urldefrag(link)
return urllib.parse.urljoin(seed_url, link)
def threader_crawler(seed_url,resource_regiex=None,link_regiex = “.*”,delay=5,cache=None,download_source_callback=None,user_agent=“wswp”,proxies=None, num_retries=1, max_threads=10, timeout=60,max_url=500):
downloaded = []
crawl_queue = [seed_url]
seen = set([seed_url])
D = Downloader(cache = cache,delay = delay,user_agent=user_agent,proxies=proxies,num_retries=num_retries,timeout=timeout)
print(user_agent)
def process_queue():
while True:
links = []
try:
url = crawl_queue.pop()
except IndexError:
break
else:
html = D(url)
downloaded.append(url)
if download_source_callback:
if resource_regiex and re.match(resource_regiex,url):
download_source_callback(url,html)
links.extend([link for link in get_links(html) if re.match(link_regiex,link)])
for link in links:
link = normalize(seed_url, link)
if link not in seen:
seen.add(link)
if same_domain(seed_url,link):
crawl_queue.append(link)
print(“已经发现的总网页数目为”,len(seen))
print(“已经下载过的网页数目为”,len(downloaded))
print(“还没有遍历过的网页数目为”,len(crawl_queue))
threads=[]
while threads or crawl_queue:
if len(downloaded) == max_url:
return
for thread in threads:
if not thread.is_alive():
threads.remove(thread)
while len(threads) < max_threads and crawl_queue:
print(“线程数量为”, len(threads))
thread = threading.Thread(target=process_queue)
thread.setDaemon(True)
thread.start()
print(“线程数量为”, len(threads))
threads.append(thread)
def main():
starttime = datetime.datetime.now()
threader_crawler(“http://www.xicidaili/”,max_threads=1,max_url=10,user_agent=“Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36”)
endtime = datetime.datetime.now()
print(“花费时间”,(endtime-starttime).total_seconds())
if __name__ == “__main__”:
main()
经过测试,多线程爬虫速度要远远高于单个线程爬取,简单测试结果如下
开启30个线程爬取一百个网站用时31秒,平均一个用时0.31秒
开启10个线程爬取一百个网页用时69秒,平均一个用时0.69秒
开启1 个线程爬取一百个网站用时774秒,平均一个用时7.74秒
顺便实现了一个测试用的资源下载类,用于将电影天堂的所有资源页的电影保存到数据库
from lxml import etree
from pymongo import MongoClient
import urllib.request
感谢每一个认真阅读我文章的人,看着粉丝一路的上涨和关注,礼尚往来总是要有的:
① 2000多本Python电子书(主流和经典的书籍应该都有了)
② Python标准库资料(最全中文版)
③ 项目源码(四五十个有趣且经典的练手项目及源码)
④ Python基础入门、爬虫、web开发、大数据分析方面的视频(适合小白学习)
⑤ Python学习路线图(告别不入流的学习)
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化学习资料的朋友,可以戳这里获取
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
版权声明:本文标题:2024年Python最新python多线程爬虫框架,分享面试流程 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://m.elefans.com/dianzi/1727070866a1096152.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论