python-爬虫

最新推荐文章于 2022-11-03 17:49:53 发布

lhh_qrsly

最新推荐文章于 2022-11-03 17:49:53 发布

阅读量458

点赞数

分类专栏： Python

Python 专栏收录该内容

10 篇文章 1 订阅

订阅专栏

1、好的参考网址
（1）https://www.cnblogs.com/h3zh1/p/12548946.html
这个地址讲解的都是比较基础的东西，对理解爬虫很有帮助
（2）https://www.52pojie.cn/forum.php?mod=viewthread&tid=1179932
一个爬虫的经典例子不错
（3）https://blog.csdn.net/pdstar/article/details/79383090
讲解为什么需要模拟浏览器进行爬取网页
（4）https://my.oschina.net/u/4298211/blog/3254467
一些基础的例子，可以参考看一下
（5）https://www.cnblogs.com/0n-the-way/p/11131418.html
阅读本文要有一定的python基础，了解Requests和Xpath相关语法，以及正则表达式
2、应用
几个关键点：
1.python多线程生产者与消费者模式官方文档：
17.1. threading — 基于线程的并行

https://docs.python.org/zh-cn/3.6/library/threading.html

两个案例参考：用Python多线程实现生产者消费者模式

https://segmentfault.com/a/1190000008909344

python-多线程3-生产者消费者

https://www.cnblogs.com/R-bear/p/7031722.html

2.@property 装饰器既要保护类的封装特性，又要让开发者可以使用“对象.属性”的方式操作操作类属性，除了使用 property() 函数，Python 还提供了 @property 装饰器。
通过 @property 装饰器，可以直接通过方法名来访问方法，不需要在方法名后添加一对“（）”小括号。
参考：

http://c.biancheng.net/view/4561.htmlhttps://www.liaoxuefeng.com/wiki/897692888725344/923030547069856

3.@staticmethod 静态方法@staticmethod 静态方法只是名义上归属类管理，但是不能使用类变量和实例变量，是类的工具包放在函数前（该函数不传入self或者cls），所以不能访问类属性和实例属性。
参考：Python进阶-----静态方法（@staticmethod）

https://www.cnblogs.com/Meanwey/p/9788713.html

Python staticmethod() 函数

https://www.runoob.com/python/python-func-staticmethod.html

4.Queue 队列queue 模块实现多生产者，多消费者队列。当信息必须安全的在多线程之间交换时，它在线程编程中是特别有用的。
此模块中的 Queue 类实现了所有锁定需求的语义。Queue.put(item, block=True, timeout=None) 将 item 放入队列。如果可选参数 block 是 true 并且 timeout 是 None (默认)，则在必要时阻塞至有空闲插槽可用。如果 timeout 是个正数，将最多阻塞 timeout 秒，如果在这段时间没有可用的空闲插槽，将引发 Full 异常。
反之 (block 是 false)，如果空闲插槽立即可用，则把 item 放入队列，否则引发 Full 异常 ( 在这种情况下，timeout 将被忽略)。
参考：17.7. queue — 一个同步的队列类

https://docs.python.org/zh-cn/3.6/library/queue.html

还是推荐和尝试去阅读官方文档，慢慢理解和实践！

import requests
import os,random,re
from lxml import etree
import threading
from queue import Queue
 
class Httprequest(object):
    ua_list = [
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
        'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36Chrome 17.0',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0Firefox 4.0.1',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
        'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
    ]
    @property  #把方法变成属性的装饰器
    def random_headers(self):
        return {
            'User-Agent': random.choice(self.ua_list)
        }
 
#生产者模式
class Procuder(threading.Thread,Httprequest):
    def __init__(self,page_queue,img_queue,*args,**kwargs):
        super(Procuder,self).__init__(*args,**kwargs)
        self.url = "http://www.billwang.net/html/blogs/"
        self.page_queue=page_queue
        self.img_queue=img_queue
 
 
    def run(self):
        while True:
            if self.page_queue.empty():
                break
            url = self.page_queue.get()
            self.get_list(url)
 
 
    def get_list(self, url):
        print(f">>> 正在爬取列表页 {url}")
        html = requests.get(url, headers=self.random_headers, timeout=5).content.decode('utf-8')
        req = etree.HTML(html)
        hrefs = req.xpath('//div[@class="txtbox"]/a/@href')
        for href in hrefs:
            href = f'{self.url.split("/html")[0]}{href}'
            self.get_content(href)
 
    def get_content(self, url):
        print(f">>> 正在爬取详情页 {url}")
        html = requests.get(url, headers=self.random_headers, timeout=5).content.decode('utf-8')
        req = etree.HTML(html)
        title= req.xpath('//div[@class="detail-con"]/h1[@class="title"]/text()')[0]
        h1 =self.validate_title(title)
        content = req.xpath('//div[@class="content"]//text()')
        content = self.deal_content(content)
        content_req = req.xpath('//div[@class="content"]')[0]
        imgs = content_req.xpath('*//img/@src')
        data=(h1, content, imgs)
        print(data)
        self.img_queue.put(data)
 
    @staticmethod
    def validate_title(title):
        pattern = r"[\/\\\:\*\?\"\<\>\|]"
        new_title = re.sub(pattern, "_", title)  # 替换为下划线
        return new_title
 
    @staticmethod  # @staticmethod 静态方法只是名义上归属类管理，但是不能使用类变量和实例变量，是类的工具包放在函数前（该函数不传入self或者cls），所以不能访问类属性和实例属性
    def deal_content(content):
        content.remove('\n        ')
        content.remove('        ')
        content = ' '.join(content)
        content = content.replace('免责声明：本站目的在于分享更多信息，不代表本站的观点和立场，版权归原作者所有。若有侵权或异议请联系我们删除。', '')
        return content
 
 
 
#消费者模式
class Consumer(threading.Thread,Httprequest):
    def __init__(self,page_queue,img_queue,*args,**kwargs):
        super(Consumer,self).__init__(*args,**kwargs)
        self.page_queue=page_queue
        self.img_queue=img_queue
        self.path = f'billw/'
 
    def save_content(self,h1,content,path):
        os.makedirs(self.path, exist_ok=True)  # 创建文件夹
        print(f">>> 开始保存 {h1}文本内容")
        text = '%s%s%s' % (h1, '\n', content)
        with open(f'{path}{h1}.txt', 'w', encoding='utf-8') as f:
            f.write(text)
        print(">>> 保存成功！")
 
    def save_imgs(self,imgs,path):
        i = 1
        for img in imgs:
            img_url = img
            img_name = f'{i}{os.path.splitext(img)[-1]}'
            img_path = f'{path}{img_name}'
            self.save_img(img_url, img_name, img_path)
            i = i + 1
 
    def save_img(self, img_url, img_name, img_path):
        print(f">>> 开始保存 {img_name} 图片")
        r = requests.get(img_url, headers=self.random_headers,timeout=5)
        with open(img_path, 'wb') as f:
            f.write(r.content)
        print(f">>> 保存 {img_name} 图片成功")
 
 
 
    def run(self):
        while True:
            if self.page_queue.empty() and self.img_queue.empty():
                break
            data=self.img_queue.get()
            h1 = data[0]
            content = data[1]
            imgs = data[2]
            path = f'billw/{h1}/'
            os.makedirs(path, exist_ok=True)  # 创建文件夹
            self.save_content(h1, content, path)
            self.save_imgs(imgs, path)
 
 
def main():
    page_queue=Queue(100)
    img_queue=Queue(10000)
    for i in range(1, 21):
        url = "http://www.billwang.net/html/blogs/%d/" % i
        print(f'>>> 正在爬取 第{i}页 列表页，链接：{url} ...')
        page_queue.put(url)
 
    for x in range(2):
        t=Procuder(page_queue,img_queue)
        t.start()
 
    for x in range(8):
        t=Consumer(page_queue,img_queue)
        t.start()
 
 
 
if __name__=="__main__":
    main()