前言
本次爬虫使用的方法是多线程并发,加快了一般方法的速度,我们用的一般方法是requests+BeautifulSoup这两个库对网站进行请求、解析,再根据自身需求抓取数据。
但是这种方法比较慢,只有一个线程,再加上我们要进行IO操作,会更加降低速度,因此为了加速爬虫速度,这次我们根据实战详细了解一下多线程并发的方法,速度提升不止十倍,甚至二十倍六十倍上百倍!相信仔细看完这篇文章,您会对多线程并发有一个深刻的了解!
![569b743a5b74cc4f27edee17050bf550.png](https://i-blog.csdnimg.cn/blog_migrate/a2a6224671ca443fb5982a24b7111951.jpeg)
整体过程讲解
爬取的网站:安居客最新二手房:https://changchun.anjuke.com/sale/o5-p5/#filtersort
使用的第三方库:requests、BeautifulSoup、csv和concurrent.futures模块里面的ThreadPoolExecutor, wait, ALL_COMPLETED
这些库的具体使用会在下面的代码中提到,接下来看一下整个代码的过程以及详细分析,各种解释都在代码中解释的很详细,大家仔细查看!
"""使用并发爬取一定要注意网站要验证等问题不然影响爬虫进度另外代理的话也要多一点寿命不长没关系,很快就能爬取完长期代理爬取速度太快需要谨慎不然容易被马上查到并发在一般同步爬取的基础上加入并发加速器,多线程进行爬取"""# 导入请求库requests用于向网站服务器发送请求import requests# 导入解析库,用于解析服务器返回的文件比如html文件from bs4 import BeautifulSoup# 导入时间库,用于模仿人类行为,防止被封ipimport time# 导入加速器,用于开启多线程,加速整个爬取过程from concurrent.futures import ThreadPoolExecutor, wait, ALL_COMPLETED# 导入csv库,用于将爬取到的数据写入表格,存在本地excelimport csv# 开始时间,从程序开头计时,判断算法的运行优劣t1 = time.time()print('#' * 50)# 加入代理,这里的代理是我购买的,已经更改不能使用,需要自己找代理proxy = "zhaoshuang:LINA5201314@19.116.200.33:28803"proxies = { 'http': 'http://' + proxy, 'https': 'https://' + proxy}# 加入请求头,用于模仿用户在浏览器端操作headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'}# 定义解析函数,用于获取每个网页需要爬取的内容def parser(url): # 对网站发送请求,获取返回值 res = requests.get(url, headers=headers) # 对响应体res.text进行解析,解析方式为‘lxml’ soup = BeautifulSoup(res.text, "lxml") # 用select函数抽取需要的内容,在网页中鼠标放在需要的内容上面,右键-检查-copy select # 以下是我在安居客上想要爬取的内容 # 爬取二手房标题 titles = soup.select("#houselist-mod-new > li > div.house-details > div.house-title > a") # 爬取地址 addresses = soup.select( "#houselist-mod-new > li > div.house-details > div:nth-child(3) > span.comm-address") # 爬取每平方米的单价 dprices = soup.select("#houselist-mod-new > li > div.pro-price > span.unit-price") # 爬取二手房的总价 tprices = soup.select("#houselist-mod-new > li > div.pro-price > span.price-det > strong") # 爬取总面积 areas = soup.select( "#houselist-mod-new > li > div.house-details > div:nth-child(2) > span:nth-child(3)") # 爬取建造年份 years = soup.select( '#houselist-mod-new > li > div.house-details > div:nth-child(2) > span:nth-child(7)') # 爬取楼层数 lous = soup.select("#houselist-mod-new > li > div.house-details > div:nth-child(2) > span:nth-child(5)") # 爬取有多少个厅室 tings = soup.select( '#houselist-mod-new > li > div.house-details > div:nth-child(2) > span:nth-child(1)') # 爬取周边的交通情况 traffics = soup.select('#houselist-mod-new > li > div.house-details > div.tags-bottom') # 以下把爬取到的内容导出到csv文件中 for title, address, dprice, tprice, area, year, lou, ting, traffic in zip(titles, addresses, dprices, tprices, areas, years, lous, tings, traffics): # 建立空列表,分配存储地址 dprice = dprice.text, # 价格直接获取里面的文本就可以,两边是标签 dprice = dprice[0].strip("元/m²") tprice = tprice.text, # 价格直接获取里面的文本就可以,两边是标签 tprice = tprice[0] title = title.text.strip(), # 获得文本并去除掉文本两侧的不必要的字符,用strip() address = address.text.strip() # 同样地址也是去除两头不必要的字符串 address = address.split('xa0xa0'), address = address[0][0] + address[0][1].strip(), area = area.text, area = area[0], year = year.text, lou = lou.text, ting = ting.text, traffic = traffic.text.strip('') data = [title[0], address[0], dprice, tprice, area[0], year[0], lou[0], ting[0], traffic] # 将以上数据放入列表中打印在命令框 print(data) # 将爬取到的内容写入到csv文件中 with open('二手房/最新8.7/华北东北/长春.csv', 'a', newline='', encoding='utf-8-sig') as csvfile: w1 = csv.writer(csvfile) w1.writerow(data) # 模仿人类行为,睡眠一秒 time.sleep(1)# 定义要爬取的网站,这里我一共要爬取50页,所以一共有50个网站urlurls = ['https://changchun.anjuke.com/sale/o5-p{}/#filtersort'.format(number) for number in range(1, 51)]# 利用并发加速爬取,最大线程为50个,本文章中一共有50个网站,可以加入50个线程,一般来说,最好的线程数是电脑核心数*2+2个线程,这个时候爬取效率以及质量都很高# 建立一个加速器对象,线程数每个网站都不同,太大网站接受不了会造成数据损失,这里我加入十个线程,因为我的电脑是4核心,这里创建一个10线程的加速器对象executorexecutor = ThreadPoolExecutor(max_workers=10)# submit()的参数: 第一个为函数, 之后为该函数的传入参数,允许有多个,这里给加速器对象提交一个任务future_tasks = [executor.submit(parser, url) for url in urls]# 等待所有的线程完成,才进入后续的执行wait(future_tasks, return_when=ALL_COMPLETED)# 计算总用时间t2 = time.time() # 结束时间print('并发方法,总共耗时:%s' % (t2 - t1))print('#' * 50)# 本来需要十几分钟的爬虫,利用并发只需要一分钟就可以爬取完成,十分迅速
以上就是整个并发的爬取方法,利用这个方法学到它的原理即可,不要生搬硬套,知道它是怎么工作的,以后遇到这样的也就迎刃而解!
另外,线程数也不是越多越好,根据自己的计算机性能进行设定!
谢谢关注!
需要获取数据,又不懂爬虫的可以私信!