python多线程爬虫框架，已拿offer

proxies;代理ip列表,会随机的在列表中抽取代理ip进行下载

delay:下载同一域名的等待时间,默认一秒

user_agent:主机名,默认python

num_retries:下载失败重新下载次数

timeout;下载超时时间

cache:缓存方式

‘’’

def __init__(self,proxies=None,delay = DEFAULT_DELAY,user_agent = DEFAULT_AGENT,num_retries = DEFAULT_RETRIES,timeout = DEFAULT_TIMEOUT,opener = None,cache=None):

#设置超时时间

socket.setdefaulttimeout(timeout)

self.throttle = Throttle(delay)

self.user_agent = user_agent

self.proxies = proxies

self.num_retries = num_retries

self.opener = opener

self.cache = cache

def   __call__(self,url):

‘’’

带有缓存功能的下载方法,通过类对象可以直接调用

‘’’

print(self.user_agent)

print(“开始下载”+url)

result = None

if self.cache:

try:

#从缓存中获取url对应的数据

result = self.cache[url]

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.com%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).netloc

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).netloc == urllib.parse.urlparse(url2).netloc

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)

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

工具都帮大家整理好了，安装就可直接上手！

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python视频合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试宝典

简历模板

的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试宝典

简历模板