App下載

Python爬蟲之線程池的使用

溫柔嘗盡了嗎 2021-08-13 16:56:17 瀏覽數(shù) (4155)
反饋

我們學(xué)習(xí)的python爬蟲,在沒有涉及到多線程之前,都只能算小打小鬧。一旦使用了多線程,python爬蟲的效率就會像解除封印一樣蹭蹭蹭的往上漲。那么怎么使用多線程來進(jìn)行數(shù)據(jù)爬取呢?今天我們就來聊一聊線程池的使用。

 使用多線程進(jìn)行爬蟲,效率在暴漲的同時(shí)也會給服務(wù)器增加更重的負(fù)擔(dān),這樣也更容易被對方發(fā)覺和起訴,如果只是學(xué)習(xí)爬蟲,建議多線程這塊內(nèi)容了解即可,千萬不要在爬蟲中濫用!

一、前言

學(xué)到現(xiàn)在,我們可以說已經(jīng)學(xué)習(xí)了爬蟲的基礎(chǔ)知識,如果沒有那些奇奇怪怪的反爬蟲機(jī)制,基本上只要有時(shí)間分析,一般的數(shù)據(jù)都是可以爬取的,那么到了這個時(shí)候我們需要考慮的就是爬取的效率了,關(guān)于提高爬蟲效率,也就是實(shí)現(xiàn)異步爬蟲,我們可以考慮以下兩種方式:一是線程池的使用(也就是實(shí)現(xiàn)單進(jìn)程下的多線程),一是協(xié)程的使用(如果沒有記錯,我所使用的協(xié)程模塊是從python3.4以后引入的,我寫博客時(shí)使用的python版本是3.9)。

今天我們先來講講線程池。

二、同步代碼演示

我們先用普通的同步的形式寫一段代碼

import time

def func(url):
    print("正在下載:", url)
    time.sleep(2)
    print("下載完成:", url)

if __name__ == '__main__':
    start = time.time() # 開始時(shí)間

    url_list = [
        "a", "b", "c"
    ]

    for url in url_list:
        func(url)

    end = time.time() # 結(jié)束時(shí)間

    print(end - start)

對于代碼運(yùn)行的結(jié)果我們心里都有數(shù),但還是讓我們來看一下吧

單線程爬取

不出所料。運(yùn)行時(shí)間果然是六秒

三、異步,線程池代碼

那么如果我們使用線程池運(yùn)行上述代碼又會怎樣呢?

import time
from multiprocessing import Pool

def func(url):
    print("正在下載:", url)
    time.sleep(2)
    print("下載完成:", url)

if __name__ == '__main__':
    start = time.time() # 開始時(shí)間

    url_list = [
        "a", "b", "c"
    ]

    pool = Pool(len(url_list)) # 實(shí)例化一個線程池對象,并且設(shè)定線程池的上限數(shù)量為列表長度。不設(shè)置上限也可以。

    pool.map(func, url_list)

    end = time.time() # 結(jié)束時(shí)間

    print(end - start)

下面就是見證奇跡的時(shí)候了,讓我們運(yùn)行程序

多線程爬取

我們發(fā)現(xiàn)這次我們的運(yùn)行時(shí)間只用2~3秒。其實(shí)我們可以將線程池簡單的理解為將多個任務(wù)同時(shí)進(jìn)行。

注意:

1.我使用的是 pycharm,如果使用的是 VS 或者說是 python 自帶的 idle,在運(yùn)行時(shí)我們只能看到最后時(shí)間的輸出。

2.我們輸出結(jié)果可能并不是按 abc 的順序輸出的。

四、同步爬蟲爬取圖片

因?yàn)槲覀兊闹攸c(diǎn)是線程池的爬取效率提高,我們就簡單的爬取一頁的圖片。

import requests
import time
import os
from lxml import etree

def save_photo(url, title):
    # UA偽裝
    header = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36"
    }

    # 發(fā)送請求
    photo = requests.get(url=url, headers=header).content

    # 創(chuàng)建路徑,避免重復(fù)下載
    if not os.path.exists("C:\Users\ASUS\Desktop\CSDN\高性能異步爬蟲\線程池\同步爬蟲爬取4K美女圖片\" + title + ".jpg"):
        with open("C:\Users\ASUS\Desktop\CSDN\高性能異步爬蟲\線程池\同步爬蟲爬取4K美女圖片\" + title + ".jpg", "wb") as fp:
            print(title, "開始下載?。?!")
            fp.write(photo)
            print(title, "下載完成!??!")

if __name__ == '__main__':
    start = time.time()

    # 創(chuàng)建文件夾
    if not os.path.exists("C:\Users\ASUS\Desktop\CSDN\高性能異步爬蟲\線程池\同步爬蟲爬取4K美女圖片"):
        os.mkdir("C:\Users\ASUS\Desktop\CSDN\高性能異步爬蟲\線程池\同步爬蟲爬取4K美女圖片")

    # UA偽裝
    header = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36"
    }

    # 指定url
    url = "https://pic.netbian.com/4kmeinv/"

    # 發(fā)送請求,獲取源碼
    page = requests.get(url = url, headers = header).text

    # xpath 解析,獲取圖片的下載地址的列表
    tree = etree.HTML(page)
    url_list = tree.xpath('//*[@id="main"]/div[3]/ul/li/a/@href')
    # 通過下載地址獲取高清圖片的地址和圖片名稱
    for href in url_list:
        new_url = "https://pic.netbian.com" + href
        # 再一次發(fā)送請求
        page = requests.get(url = new_url, headers = header).text
        # 再一次 xpath 解析
        new_tree = etree.HTML(page)
        src = "https://pic.netbian.com" + new_tree.xpath('//*[@id="img"]/img/@src')[0]
        title = new_tree.xpath('//*[@id="img"]/img/@title')[0].split(" ")[0]
        # 編譯文字
        title = title.encode("iso-8859-1").decode("gbk")
        # 下載,保存
        save_photo(src, title)

    end = time.time()
    print(end - start)

讓我們看看同步爬蟲需要多長時(shí)間

同步爬取

然后再讓我們看看使用線程池的異步爬蟲爬取這些圖片需要多久

五、使用線程池的異步爬蟲爬取4K美女圖片

import requests
import time
import os
from lxml import etree
from multiprocessing import Pool

def save_photo(src_title):
    # UA偽裝
    header = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36"
    }

    # 發(fā)送請求
    url = src_title[0]
    title = src_title[1]
    photo = requests.get(url=url, headers=header).content

    # 創(chuàng)建路徑,避免重復(fù)下載
    if not os.path.exists("C:\Users\ASUS\Desktop\CSDN\高性能異步爬蟲\線程池\異步爬蟲爬取4K美女圖片\" + title + ".jpg"):
        with open("C:\Users\ASUS\Desktop\CSDN\高性能異步爬蟲\線程池\異步爬蟲爬取4K美女圖片\" + title + ".jpg", "wb") as fp:
            print(title, "開始下載!!!")
            fp.write(photo)
            print(title, "下載完成?。?!")

if __name__ == '__main__':
    start = time.time()

    # 創(chuàng)建文件夾
    if not os.path.exists("C:\Users\ASUS\Desktop\CSDN\高性能異步爬蟲\線程池\異步爬蟲爬取4K美女圖片"):
        os.mkdir("C:\Users\ASUS\Desktop\CSDN\高性能異步爬蟲\線程池\異步爬蟲爬取4K美女圖片")

    # UA偽裝
    header = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36"
    }

    # 指定url
    url = "https://pic.netbian.com/4kmeinv/"

    # 發(fā)送請求,獲取源碼
    page = requests.get(url = url, headers = header).text

    # xpath 解析,獲取圖片的下載地址的列表
    tree = etree.HTML(page)
    url_list = tree.xpath('//*[@id="main"]/div[3]/ul/li/a/@href')
    # 存儲最后的網(wǎng)址和標(biāo)題的列表
    src_list = []
    title_list = []
    # 通過下載地址獲取高清圖片的地址和圖片名稱
    for href in url_list:
        new_url = "https://pic.netbian.com" + href
        # 再一次發(fā)送請求
        page = requests.get(url = new_url, headers = header).text
        # 再一次 xpath 解析
        new_tree = etree.HTML(page)
        src = "https://pic.netbian.com" + new_tree.xpath('//*[@id="img"]/img/@src')[0]
        src_list.append(src)
        title = new_tree.xpath('//*[@id="img"]/img/@title')[0].split(" ")[0]
        # 編譯文字
        title = title.encode("iso-8859-1").decode("gbk")
        title_list.append(title)

    # 下載,保存。使用線程池
    pool = Pool()
    src_title = zip(src_list, title_list)
    pool.map(save_photo, list(src_title))

    end = time.time()
    print(end - start)

讓我們來看看運(yùn)行的結(jié)果

異步爬取

只用了 17 秒,可不要小瞧這幾秒,如果數(shù)據(jù)太大,這些差距后來就會更大了。

注意

不過我們必須要明白 線程池 是有上限的,這就是說數(shù)據(jù)太大,線程池的效率也會降低,所以這就要用到協(xié)程模塊了。

到此這篇關(guān)于Python爬蟲之線程池的使用的文章就介紹到這了,更多相關(guān)Python線程池的使用內(nèi)容請搜索W3Cschool以前的文章或繼續(xù)瀏覽下面的相關(guān)文章。



0 人點(diǎn)贊