【网络爬虫篇】多线程数据采集爬取豆瓣top250电影榜

 前言：本文章主要是通过“多线程”的高性能网络爬虫对“豆瓣网”Top250电影榜相关数据进行采集，从而提高网络爬虫采集的效率。

更多优秀文章借鉴：

1. 使用Selenium实现黑马头条滑块自动登录

2. 使用多线程采集爬取豆瓣top250电影榜

3. 使用Scrapy爬取去哪儿网游记数据 

4. 数据采集技术综合项目实战1：国家水稻网数据采集与分析

5. 数据采集技术综合项目实战2：某东苹果15数据采集与分析

6. 数据采集技术综合案例实战3：b站弹幕采集与分析

7. 逆向实战—京东：滑块验证码（逆向登录)

导航小助手

1. 项目需求及介绍：

2. 目标网址：

3. 操作实现：

---

项目需求及介绍：

1.了解“多线程”爬虫操作原理。

2.了解如何将“多线程爬虫”与网络爬虫的基础知识相结合。

3.了解如何实现网络爬虫的切换网址页面原理。

4.了解如何将“多线程”爬虫采集的数据保存到json文件中。

目标网址：

https://movie.douban.com/top250

操作实现：

1.打开豆瓣电影排行榜top250，确定采集目标（电影名称、上映日期、评分等）。

​

2.引入queue库中的Queue()模块,然后创建队列，分别为网址队列以及内容队列；除此之外，还要引入threading库，用于创建线程。

import requests
import threading
from queue import Queue
from lxml import etree
import time
import json
import re


class DouBanFilm():
    # 初始化
    def __init__(self):
        # 在网页中点击f12打开谷歌开发者工具，即可查看自己的用户代理以及Cookie等
        self.headers = {"User-Agent":"xxx"}
        self.url_queue = Queue()
        self.content_queue = Queue()

3.又观察得start值的变换随页面的变化而变化（即步长为25，起始页为1，终止页为10），使用字符串格式化以及队列的put()方法，向网址队列中放入网址。

​

  def get_url_list(self):
        url_temp = "https://movie.douban.com/top250?start={}&filter="
        url_list = [url_temp.format(i) for i in range(0, 226, 25)]
        for url in url_list:
            print("正在请求：",url)
            # 将url放入网址列表（通过put）
            self.url_queue.put(url)

4.使用网址队列的get()方法将队列中的网址逐个取出并发起HTTP请求，并进行源代码的提取，所以使用xpath来对目标信息进行提取，再将所采集的内容如步骤3放入内容队列。

while True:
            # 从网址队列中提取出将要访问的网址
            url = self.url_queue.get()
            html = requests.get(url,headers=self.headers).text

5.当所有信息提取完毕并且存入内容队列时，使用网址队列的task_done()方法，发出任务已完成信号。

self.url_queue.task_done()

6.因为所存入的数据为python的字典格式，使用json格式对已存入内容的内容队列逐个提取并使用dumps()方法对相关内容解析为字符串形式并存入json文件中；并使用内容队列的task_done()方法，发出任务已完成信号。

def save_data(self):
        while True:
            content_list = self.content_queue.get()
            with open("thread-doubanfilm.json", "a+", encoding="utf-8") as f:
                f.write(json.dumps(content_list, ensure_ascii=False, indent=2))
            # 内容列表发送已完成信号
            self.content_queue.task_done()

7.定义run方法，这里首先创建一个线程任务列表，再将获取网址队列作为任务参数放置任务列表（1个获取网址队列线程）中，再通过循环9次，创建9个解析网页源代码获取内容的多线程，最后创建一个保存json文件线程；将以上线程放入任务列表中，创建线程格式如下。

thread_list = []

for j in range(9):
# target后加任务名，这里意为将自定义的获取数据的函数作为线程任务
t_content = threading.Thread(target=self.get_data)

# 将线程任务放入线程列表中
thread_list.append(t_content)

（8）最后在线程列表中执行线程。

# 调用t.setDaemon(True)将线程设置为守护线程，这样主线程结束时，守护线程也会随之结束
        for t in thread_list:
            t.setDaemon(True)
            t.start()

# 查看程序运行时间
if __name__ == '__main__':
    s_time = time.time()
    douban=DouBanFilm()
    douban.run()
    e_time = time.time()
    print(f"总用时：{e_time-s_time}秒")

结果演示如下图所示（可以看出，使用多线程爬取方式比传统爬取方式效率高很多）：

控制台输出爬取结果：

​

打开json文件：

​

注意：需要源代码请私聊博主哦~

创作不易，请点个赞哦~