python多线程爬虫框架_普通爬虫vs多线程爬虫vs框架爬虫，Python爬对比

前言

本文的文字及图片过滤网络，可以学习，交流使用，不具有任何商业用途，如有问题请及时联系我们以作处理。

基本开发环境

Python 3.6

皮查姆

目标网页分析

网站就选择发表情这个网站吧

网站是静态网页，所有的数据都保存在div标签中，爬取的难度不大。

根据标签提取其中的表情包url地址以及标题就可以了。

普通爬虫实现

import requests

import parsel

import re

def change_title(title):

pattern = re.compile(r"[\/\\\:\*\?\"\\|]") # '/ \ : * ? " < > |'

new_title = re.sub(pattern, "_", title) # 替换为下划线

return new_title

for page in range(0, 201):

url = f'https://www.fabiaoqing.com/biaoqing/lists/page/{page}.html'

headers = {

'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'

}

response = requests.get(url=url, headers=headers)

selector = parsel.Selector(response.text)

divs = selector.css('.tagbqppdiv')

for div in divs:

img_url = div.css('a img::attr(data-original)').get()

title_ = img_url.split('.')[-1]

title = div.css('a img::attr(title)').get()

new_title = change_title(title) + title_

img_content = requests.get(url=img_url, headers=headers).content

path = 'img\\' + new_title

with open(path, mode='wb') as f:

f.write(img_content)

print(title)

代码简单的说明：

1，标题的替换，因为有一些图片的标题，其中会包含特殊字符，在创建文件的时候特殊字符是不能命名的，所以需要使用正则把有可能出现的特殊字符替换掉。

divs = selector.css('.tagbqppdiv')

for div in divs:

img_url = div.css('a img::attr(data-original)').get()

title_ = img_url.split('.')[-1]

title = div.css('a img::attr(title)').get()

new_title = change_title(title) + title_

2，翻页爬取以及模拟浏览器请求网页

img_content = requests.get(url=img_url, headers=headers).content

path = 'img\\' + new_title

with open(path, mode='wb') as f:

f.write(img_content)

print(title)

翻页多点击下一页看一下url地址的变化就可以找到相对应规律了，网站是get请求方式，使用请求请求网页即可，加上标题请求头，伪装浏览器请求，如果不加，网站会识别出你是python爬虫程序请求访问的，不过对于这个网站，其实加不加都差不多的。

3，解析数据提取想要的数据

img_content = requests.get(url=img_url, headers=headers).content

path = 'img\\' + new_title

with open(path, mode='wb') as f:

f.write(img_content)

print(title)

这里我们使用的是parsel解析库，用的是css选择器解析的数据。

就是根据标签属性提取相对应的数据内容。

4，保存数据

img_content = requests.get(url=img_url, headers=headers).content

path = 'img\\' + new_title

with open(path, mode='wb') as f:

f.write(img_content)

print(title)

请求表情包url地址，返回获取内容二进制数据，图片，视频，文件等等都是二进制数据保存的。如果是文字则是text。

path就是文件保存的路径，因为是二进制数据，所以保存方式是wb。

多线程爬虫实现

import requests

import parsel

import re

import concurrent.futures

def get_response(html_url):

"""模拟浏览器请求网址，获得网页源代码"""

headers = {

'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'

}

response = requests.get(url=html_url, headers=headers)

return response

def change_title(title):

"""正则匹配特殊字符标题"""

pattern = re.compile(r"[\/\\\:\*\?\"\\|]") # '/ \ : * ? " < > |'

new_title = re.sub(pattern, "_", title) # 替换为下划线

return new_title

def save(img_url, title):

"""保存表情到本地文件"""

img_content = get_response(img_url).content

path = 'img\\' + title

with open(path, mode='wb') as f:

f.write(img_content)

print(title)

def main(html_url):

"""主函数"""

response = get_response(html_url)

selector = parsel.Selector(response.text)

divs = selector.css('.tagbqppdiv')

for div in divs:

img_url = div.css('a img::attr(data-original)').get()

title_ = img_url.split('.')[-1]

title = div.css('a img::attr(title)').get()

new_title = change_title(title) + title_

save(img_url, new_title)

if __name__ == '__main__':

executor = concurrent.futures.ThreadPoolExecutor(max_workers=5)

for page in range(0, 201):

url = f'https://www.fabiaoqing.com/biaoqing/lists/page/{page}.html'

executor.submit(main, url)

executor.shutdown()

简单的代码说明：

其实在前文已经有铺垫了，多线程爬虫就是把每一块都封装成函数，让它每一块代码都有它的作用，然后通过线程模块启动就好。

executor = concurrent.futures.ThreadPoolExecutor(max_workers=5)

最大的线程数

scrapy框架爬虫实现

关于scrapy框架项目的创建这里只是不过多讲了，之前文章有详细讲解过，scrapy框架项目的创建，可以点击下方链接查看

简单使用scrapy爬虫框架批量采集网站数据

items.py

import scrapy

from ..items import BiaoqingbaoItem

class BiaoqingSpider(scrapy.Spider):

name = 'biaoqing'

allowed_domains = ['fabiaoqing.com']

start_urls = [f'https://www.fabiaoqing.com/biaoqing/lists/page/{page}.html' for page in range(1, 201)]

def parse(self, response):

divs = response.css('#bqb div.ui.segment.imghover div')

for div in divs:

img_url = div.css('a img::attr(data-original)').get()

title = div.css('a img::attr(title)').get()

yield BiaoqingbaoItem(img_url=img_url, title=title)

middlewares.py

BOT_NAME = 'biaoqingbao'

SPIDER_MODULES = ['biaoqingbao.spiders']

NEWSPIDER_MODULE = 'biaoqingbao.spiders'

DOWNLOADER_MIDDLEWARES = {

'biaoqingbao.middlewares.BiaoqingbaoDownloaderMiddleware': 543,

}

ITEM_PIPELINES = {

'biaoqingbao.pipelines.DownloadPicturePipeline': 300,

}

IMAGES_STORE = './images'

pipelines.py

import scrapy

from ..items import BiaoqingbaoItem

class BiaoqingSpider(scrapy.Spider):

name = 'biaoqing'

allowed_domains = ['fabiaoqing.com']

start_urls = [f'https://www.fabiaoqing.com/biaoqing/lists/page/{page}.html' for page in range(1, 201)]

def parse(self, response):

divs = response.css('#bqb div.ui.segment.imghover div')

for div in divs:

img_url = div.css('a img::attr(data-original)').get()

title = div.css('a img::attr(title)').get()

yield BiaoqingbaoItem(img_url=img_url, title=title)

setting.py

BOT_NAME = 'biaoqingbao'

SPIDER_MODULES = ['biaoqingbao.spiders']

NEWSPIDER_MODULE = 'biaoqingbao.spiders'

DOWNLOADER_MIDDLEWARES = {

'biaoqingbao.middlewares.BiaoqingbaoDownloaderMiddleware': 543,

}

ITEM_PIPELINES = {

'biaoqingbao.pipelines.DownloadPicturePipeline': 300,

}

IMAGES_STORE = './images'

标清

import scrapy

from ..items import BiaoqingbaoItem

class BiaoqingSpider(scrapy.Spider):

name = 'biaoqing'

allowed_domains = ['fabiaoqing.com']

start_urls = [f'https://www.fabiaoqing.com/biaoqing/lists/page/{page}.html' for page in range(1, 201)]

def parse(self, response):

divs = response.css('#bqb div.ui.segment.imghover div')

for div in divs:

img_url = div.css('a img::attr(data-original)').get()

title = div.css('a img::attr(title)').get()

yield BiaoqingbaoItem(img_url=img_url, title=title)

简单总结：

三个程序的最大的区别就在于在于爬取速度的相对，但是如果从写代码的时间上面来计算的话，普通是最简单的，因为对于这样的静态网站根本不需要调试，可以从头写到位，加上空格一共也就是29行的代码。