爬取豆瓣电影top75测试多线程

用threading模块写一个简单的多线程爬虫和单线程爬虫对比爬取速度

import requests
import re
import threading
import time

# 单线程爬取
def spider(url,headers):
    response = requests.get(url,headers).text
    pattern = re.compile('<div class="pic">.*?<a href="(.*?)">',re.S)
    linkList = pattern.findall(response)
    for link in linkList:
        html = requests.get(link,headers).text
        p1 = re.compile('<span class="top250-no">(.*?)</span>',re.S)
        p2 = re.compile('<span property="v:itemreviewed">(.*?)</span>',re.S)
        num = re.findall(p1,html)
        title = re.findall(p2,html)
        print(num[0],':',title[0])


# 多线程爬取(三线程)
lock = threading.RLock() # 线程中的锁机制
#爬取每个电影的排名和电影名称
def infoSpider(link,headers):
    html = requests.get(link, headers).text
    p1 = re.compile('<span class="top250-no">(.*?)</span>', re.S)
    p2 = re.compile('<span property="v:itemreviewed">(.*?)</span>', re.S)
    num = re.findall(p1, html)
    title = re.findall(p2, html)
    print(num[0], ':', title[0])

def A(linkList,headers):
    # lock.acquire()
    for i in range(0, 25, 3):
        url = linkList[i]
        infoSpider(url, headers)
    # lock.release()

def B(linkList,headers):
    # lock.acquire()
    for i in range(1,25, 3):
        url = linkList[i]
        infoSpider(url, headers)
    # lock.release()
    
def C(linkList,headers):
    # lock.acquire()
    for i in range(2,25, 3):
        url = linkList[i]
        infoSpider(url, headers)
    # lock.release()

def spider2(url,headers):
    response = requests.get(url,headers).text
    pattern = re.compile('<div class="pic">.*?<a href="(.*?)">',re.S)
    linkList = pattern.findall(response)
    t1 = threading.Thread(target=A, args=(linkList,headers))
    t2 = threading.Thread(target=B, args=(linkList,headers))
    t3 = threading.Thread(target=C, args=(linkList,headers))
    t1.start()
    t2.start()
    t3.start()
    t1.join()
    t2.join()
    t3.join()

def main():
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
    }
	#单线程测试
    start1 = time.time()
    for i in range(3):
        url = 'https://movie.douban.com/top250?start=%d'%(i*25)
        spider(url,headers)
    end1 = time.time()
	#多线程测试
    start2 = time.time()
    for i in range(3):
        url = 'https://movie.douban.com/top250?start=%d'%(i*25)
        spider2(url,headers)
    end2 = time.time()
    print(end1-start1)#单线程运行时间
    print(end2-start2)#多线程运行时间


if __name__ == '__main__':
    main()

三线程爬取时间基本为单线程时间的三倍

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 要爬取豆瓣Top250电影列表,可以使用Python爬虫库如Scrapy或BeautifulSoup来实现。首先需要构造请求获取网页源代码,然后使用解析库解析网页源代码,提取出所需数据。如果需要爬取大量数据,可以考虑使用多线程或分布式爬虫来提高爬取效率。 ### 回答2: 豆瓣是一个广受读者喜爱的网站,凭借其优质的图书、电影和音乐资源,受到了广泛的赞誉。豆瓣的电影排行榜中,豆瓣Top250电影是大家喜欢的精选作品。 然而,要手动获取所有电影的信息就会非常耗时而繁琐。幸运的是,Python爬虫可以轻松解决这个问题。 首先,我们需要清楚自己需要什么信息,比如电影的名称、评分、导演、演员、年份等等。然后,我们需要安装一些Python库,如Requests和BeautifulSoup4,使用这些库来编写我们的Python爬虫代码。 在代码中,我们首先需要向豆瓣服务器发送请求,以获取特定网址的源代码。我们可以使用Requests库来发送HTTP请求,然后将获得的网页源代码传输给BeautifulSoup4的解析器对象,以便获取所需的文本。 在处理完整个网页源代码后,我们通过使用BeautifulSoup4的选择器语法来定位电影信息的位置。然后,我们可以使用Python的正则表达式或字符串操作来提取所需的文本。 在获取电影信息后,我们需要将其保存到本地文件或数据库中,以便后续处理和查询。为此,我们可以使用Python的File I / O或第三方库(如pandas)来实现。 注意:在获取和使用网站上的信息时,请尊重数据所有者的权利。请遵守网站上的有效使用政策并且避免对其进行不当操作。 ### 回答3: 豆瓣是一个非常优秀的电影、图书 and 音乐评论平台,每个人可以在上面发布自己的评论以及对别人的评论进行点赞、评论回复等操作。而豆瓣上的top250,是指评分最高、最受欢迎的250部电影。如果你想获取这些电影的信息、评论以及评分,那么你可以使用Python编写一个豆瓣爬虫。以下是具体实现步骤: 1. 获取网址和请求头 首先你需要在浏览器中打开豆瓣的top250电影页面,然后右键点击鼠标选择“检查”或者“审查元素”。接着选择“network”选项卡,手动刷新页面,即可在右侧窗口看到各种请求的详细信息,包含请求头和url,你需要找到请求头和url,将其复制到你的Python代码中,如下所示: ``` import requests url = 'https://movie.douban.com/top250' headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.82 Safari/537.36'} response = requests.get(url, headers=headers) print(response.text) ``` 通过上述方法,你可以获取到豆瓣电影top250的页面源码。 2. 解析网页源码 由于获取的是网页源码,需要使用爬虫框架如BeautifulSoup或scrapy等工具来解析网页内容。 以BeautifulSoup为例,你需要在Python中添加如下代码: ``` from bs4 import BeautifulSoup soup = BeautifulSoup(response.text, 'html.parser') # 找到所有的“ol”元素 ol_elements = soup.find_all('ol') ``` 上面的代码可以获取页面中所有的ol元素,对于电影排名列表的ol元素,可以通过其class属性定位到。下面是代码片段: ``` # 获取排名电影列表的ol元素 movie_ol_element = soup.find_all('ol', class_='grid_view')[0] # 获取每一个li,即每一部电影的信息 movie_li_elements = movie_ol_element.find_all('li') ``` 3. 爬取相关电影信息 接下来就需要对页面中每个电影的信息进行爬取了,每个电影的信息都包含电影名称、导演、演员、评分、简介、封面图片等。 由于爬取的信息较多,这里只演示爬取电影名称、评分、导演和演员信息的代码: ``` movies = [] for movie_li_element in movie_li_elements: # 获取电影名称 movie_name = movie_li_element.find('span', class_='title') if movie_name is None: continue # 获取电影评分 movie_rating = movie_li_element.find('span', class_='rating_num').string # 获取电影导演和演员 movie_info_elements = movie_li_element.find_all('p')[0].find_all('br') movie_director = movie_info_elements[0].next_sibling.strip() movie_actor = movie_info_elements[1].next_sibling.strip() # 将电影信息存储到movies列表中 movies.append({ 'name': movie_name.string, 'rating': movie_rating, 'director': movie_director, 'actor': movie_actor }) ``` 4. 存储爬取数据 最终你需要将爬取到的信息存储到文件中或者写入数据库中,以便后续使用。这里演示将爬取到的电影信息存储到csv文件中,相关代码如下: ``` import csv with open('douban_top250_movies.csv', 'w', newline='', encoding='utf-8') as csvfile: fieldnames = ['name', 'rating', 'director', 'actor'] writer = csv.DictWriter(csvfile, fieldnames=fieldnames) writer.writeheader() for movie in movies: writer.writerow(movie) ``` 至此,一个完整的豆瓣top250爬虫就完成了,你可以根据自己需求调整代码,获取更多电影信息。
评论
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