美文网首页
多进程的爬虫之糗事百科(三)

多进程的爬虫之糗事百科(三)

作者: buaishengqi | 来源:发表于2018-12-05 18:45 被阅读12次

    采用多进程实现糗事百科的爬取

    from multiprocessing import Process
    p1 = Process(target=func,args=(,))
    p1.daemon = True  #设置为守护进程
    p1.start() #此时线程才会启动
    

    3.2 多进程中队列的使用

    多进程中使用普通的队列模块会发生阻塞,对应的需要使用multiprocessing提供的JoinableQueue模块,其使用过程和在线程中使用的queue方法相同

    """
    @author:Rudy
    
    @time : 12月5日
    
    @message:多进程爬取糗事百科热门上的段子用户昵称
    
    """
    
    
    from multiprocessing import Process
    import requests
    from lxml import etree
    from multiprocessing import JoinableQueue as Queue
    import time
    
    
    class QiuBai():
        def __init__(self):
            self.temp_url = "https://www.qiushibaike.com/8hr/page{}"
            self.headers = {
                "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36"}
            self.url_queue = Queue()
            self.html_queue = Queue()
            self.content_list_queue = Queue()
            self.proxies = {"http":"http://58.242.136.18:808"} # 可以在此添加IP代理
    
        def get_url_list(self):
            for i in range(1,14):
                self.url_queue.put(self.temp_url.format(i))
    
        def parse_url(self): # 不在接收参数,而是直接从url列表中取
            while True:
                url = self.url_queue.get()
                response = requests.get(url, headers=self.headers,proxies=self.proxies)
                print(response)
                if response.status_code != 200:
                    self.url_queue.put(url)
                # return response.content.decode() 取完之后不在返回
                else:
                    self.html_queue.put(response.content.decode())
                self.url_queue.task_done() # 让队列的计数减1
    
        def get_content_list(self):  # 提取数据
            while True:
                html_str = self.html_queue.get()
                html = etree.HTML(html_str)
                div_list = html.xpath("//div[@id='content-left']/div")
                content_list = []
                for div in div_list:
                    item = {}
                    item["user_name"] = div.xpath(".//h2/text()")
                    item["content"] = [i.strip() for i in div.xpath(".//div[@class='content']/span/text()")] # 列表推导式
                    content_list.append(item)
                # return content_list
                self.content_list_queue.put(content_list)
                self.html_queue.task_done()
    
        def save_content_list(self):
            while True:
                content_list = self.content_list_queue.get()
                for content in content_list:
                    # print(content)
                    pass
                self.content_list_queue.task_done()
    
        def run(self):  # 实现主要的逻辑
            thread_list = []
            # 1 准备URL列表
            t_url = Process(target= self.get_url_list)
            thread_list.append(t_url)
            # 2 遍历发送请求,获取响应
            for i in range(4): # 启动3个进程,如果感觉爬取速度还很慢,可以加大进程
                t_parse = Process(target=self.parse_url)
                thread_list.append(t_parse)
            # 3 提取数据
            t_content = Process(target=self.get_content_list)
            thread_list.append(t_content)
            # 4 保存
            t_save = Process(target=self.save_content_list)
            thread_list.append(t_save)
    
            for process in thread_list: # 设置子进程守护线程
                process.daemon = True
                process.start()
    
            for q in [self.url_queue,self.content_list_queue,self.html_queue]:
                q.join() # 让主进程阻塞,等待队列计数为0
    
    
    if __name__ == '__main__':
        t1 = time.time()
        qiubai = QiuBai()
        qiubai.run()
        print("total cost:",time.time()-t1)
    
    
    
    

    相关文章

      网友评论

          本文标题:多进程的爬虫之糗事百科(三)

          本文链接:https://www.haomeiwen.com/subject/bxkvcqtx.html