博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
多线程爬虫
阅读量:6074 次
发布时间:2019-06-20

本文共 2763 字,大约阅读时间需要 9 分钟。

 

糗事百科

1 import requests 2 from lxml import etree 3 from queue import Queue 4 import threading 5  6  7 class Qiubai: 8     def __init__(self): 9         self.temp_url = "https://www.qiushibaike.com/8hr/page/{}/"10         self.headers= {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X \11 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36"}12 self.url_queue = Queue()13 self.html_queue = Queue()14 self.content_list_queue = Queue()15 16 def get_url_list(self):#获取url列表17 for i in range(1,14):18 self.url_queue.put(self.temp_url.format(i))19 20 def parse_url(self):21 while True: #在这里使用,子线程不会结束,把子线程设置为守护线程22 url = self.url_queue.get()23 # print(url)24 response = requests.get(url,headers=self.headers)25 self.html_queue.put(response.content.decode())26 self.url_queue.task_done()27 28 29 def get_content_list(self): #提取数据30 while True:31 html_str = self.html_queue.get()32 html = etree.HTML(html_str)33 div_list = html.xpath("//div[@id='content-left']/div")34 content_list = []35 for div in div_list:36 content = {}37 content["content"] = div.xpath(".//div[@class='content']/span/text()")38 content_list.append(content)39 self.content_list_queue.put(content_list)40 self.html_queue.task_done()41 42 def save_content_list(self):43 while True:44 content_list = self.content_list_queue.get()45 for content in content_list:46 print(content) # 此处对数据进行保存操作47 self.content_list_queue.task_done()48 49 50 def run(self):51 thread_list = []52 #1.url_list53 t_url = threading.Thread(target=self.get_url_list)54 thread_list.append(t_url)55 #2.遍历,发送请求,56 for i in range(3): #三个线程发送请求57 t_parse = threading.Thread(target=self.parse_url)58 thread_list.append(t_parse)59 #3.提取数据60 t_content = threading.Thread(target=self.get_content_list)61 thread_list.append(t_content)62 #4.保存63 t_save = threading.Thread(target=self.save_content_list)64 thread_list.append(t_save)65 66 for t in thread_list:67 t.setDaemon(True) #把子线程设置为守护线程,当前这个线程不重要,主线程结束,子线程技术68 t.start()69 70 for q in [self.url_queue,self.html_queue,self.content_list_queue]:71 q.join() #让主线程阻塞,等待队列的计数为0,72 73 print("主线程结束")74 75 if __name__ == '__main__':76 77 qiubai = Qiubai()78 qiubai.run()

 

转载于:https://www.cnblogs.com/wanglinjie/p/9310329.html

你可能感兴趣的文章
Redis学习记录初篇
查看>>
爬虫案例若干-爬取CSDN博文,糗事百科段子以及淘宝的图片
查看>>
Web实时通信技术
查看>>
第三章 计算机及服务器硬件组成结合企业运维场景 总结
查看>>
IntelliJ IDEA解决Tomcal启动报错
查看>>
默认虚拟主机设置
查看>>
Linux系统一些系统查看指令
查看>>
php中的短标签 太坑人了
查看>>
[译] 可维护的 ETL:使管道更容易支持和扩展的技巧
查看>>
### 继承 ###
查看>>
数组扩展方法之求和
查看>>
astah-professional-7_2_0安装
查看>>
函数是对象-有属性有方法
查看>>
uva 10107 - What is the Median?
查看>>
Linux下基本栈溢出攻击【转】
查看>>
c# 连等算式都在做什么
查看>>
使用c:forEach 控制5个换行
查看>>
java web轻量级开发面试教程摘录,java web面试技巧汇总,如何准备Spring MVC方面的面试...
查看>>
根据调试工具看Vue源码之组件通信(一)
查看>>
Thrift RPC 系列教程(5)—— 接口设计篇:struct & enum设计
查看>>