python3爬虫学习之生产者消费者爬取实战

按照课程做了个生产者消费者爬取的实战，下载图片

先上代码

import threading
import requests
from lxml import etree
import os
from urllib import request
from queue import Queue

class Producer(threading.Thread):
    headers = {
        "User-Agent": "Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36"
                      " (KHTML, like Gecko) Chrome/73.0.3683.86 Mobile Safari/537.36"
    }
    def __init__(self,page_queue,img_queue,*args,**kwargs):
        super(Producer,self).__init__(*args,**kwargs)
        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.parse_page(url)

    def parse_page(self,url):
        response = requests.get(url,self.headers)
        text = response.text
        html = etree.HTML(text)
        imgs = html.xpath('//div[@class="page-content text-center"]//img[@class!="gif"]')
        for img in imgs:
            img_url = img.get('data-original')
            img_name = img.get('alt') + os.path.splitext(img_url)[1]
            self.img_queue.put((img_url,img_name))

class Consumer(threading.Thread):
    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

    def run(self):
        while True:
            if self.page_queue.empty() and self.img_queue.empty():
                break
            img_url,img_name = self.img_queue.get()
            request.urlretrieve(img_url,"imgs/" + img_name)
            print(img_name + " 下载完成！")


#定义一个主方法，该方法向处理方法中传值
def main():
    page_queue = Queue(100)
    img_queue = Queue(1000)
    for x in range(1,101):
        url = "https://www.doutula.com/photo/list/?page=%d" % x
        page_queue.put(url)

    for x in range(3):
        t = Producer(page_queue,img_queue)
        t.start()

    for x in range(3):
        t = Consumer(page_queue,img_queue)
        t.start()

if __name__ == '__main__':
    main()

这里用到的东西很多，所以导入的库也多一些。

我们首先看main函数：

首先我们定义了两个安全队列，一个安全队列用于存页url，一个用于存图

我们把所有的url放到page_queue中。

我们定义3个生产者3个消费者。

生产者：它负责从page_queue获取url并解析，把图片url放到img_queue中去。

我们重写了run方法，当队列不为空时，我们获取url给parse_page去解析，否则退出

我们定义了parse_page方法：

它负责解析每一页的url，获取图片的名称和格式，以及图片的url，把url和名字放到img_queue中

消费者：

我们重写了run方法，

如果两个队列都空了，说明我们已经获取完了，此时退出。

我们从队列中获取url和名字，把rul传给urlretrieve去下载，给定路径和名字，下载完成时给出提示。

我们看一下运行结果。

下的很快，这也是我们需要的，这里放的是部分，图太多，我运行之后立刻就停了。

以上。