多进程爬虫

Selenium+Request+Beautifulsoup(周杰伦,林俊杰歌词爬取)
为了提升爬取速度,这里使用多进程的爬取机制来获取歌词.我们使用到了multiprocessing模块中的Process+Queue.其中Queue的使用是为了让多个进程共享同一个队列(先入先出),这样各个进程都是从这个队列中获取链接,直到所有网页爬取完成.我们通过继承Process来建立进程对象.

from multiprocessing import Process,Queue#后面这个Queue只能在
import pandas as pd
import requests
from bs4 import BeautifulSoup
import time

class Crawler(Process):
    def __init__(self,url_queue,path):
        super(Crawler, self).__init__()
        self.url_queue=url_queue
        self.path=path
    def R_get_text(self,url):
        try:
            print("url:",url)
            Response=requests.get(url)
            Response.raise_for_status()
            Response.encoding=Response.apparent_encoding
            return Response.text
        except:
            print("出现错误再Try一次")
            try:
                print("url:", url)
                Response = requests.get(url)
                Response.raise_for_status()
                Response.encoding = Response.apparent_encoding
                return Response.text
            except:
                print("出现错误")
                print("错误地点:", url)
                return None

    def B_get_lrc_link(self,text):
        soup=BeautifulSoup(text,"html.parser")
        lrcbox=soup.find("div","lrc-list")
        if lrcbox:
            return lrcbox["data-lrclink"]


    def get_lrc_link_list(self):
        lrc_links=[]
        while True:
            id_link={}
            if self.url_queue.empty():#注意这个判断只有在进程里面才起作用
                break
            value=self.url_queue.get()
            text = self.R_get_text(value[0])
            time.sleep(3)
            if text:##如果不为空就写入
                id_link["Link"]=self.B_get_lrc_link(text)
                id_link["IP"]=str(value[1])
                lrc_links.append(id_link)
        return lrc_links

    def get_lrc(self,linklist):
        for ip_link in linklist:
            with open(self.path+ip_link["IP"]+".txt","w") as f:
                lrc=self.R_get_text(ip_link["Link"])
                if lrc:
                    f.write(lrc)
    def run(self):
        lrc_links=self.get_lrc_link_list()
        self.get_lrc(lrc_links)




def main():
    url_queue=Queue(500)
    data = pd.read_csv("LJID_Name1.csv", names=["IP", "Name"])#这个是先前爬取的ID_name文件
    url = "http://music.taihe.com/song/"
    save_path = "data/"
    for IP in data["IP"]:
        url_queue.put((url+str(IP),IP))
    process=[]
    for p in range(8):
        process.append(Crawler(url_queue,save_path))
    for p in process:
        p.start()
    for p in process:
        p.join()

a=time.time()
main()
b=time.time()
print("time:",b-a)#133.2544s

经过对比,发现多进程(8进程)爬虫所花时间大约只有单进程的 1 10 \frac{1}{10} 101,多进程爬虫花费时间是133.25s,而单进程爬虫花费1165.83s.

  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值