因为进程也不是越多越好,我们计划分3个进程执行。意思就是:把总共要抓取的28页分成三部分。
怎么分呢?
#初始range
r=range(1,29)
#步长
step=10
myList=[r[x:x+step]forxinrange(0,len(r),step)]
print(myList)#[range(1,11),range(11,21),range(21,29)]
看上面代码,我们就把1~29分成了三部分,list里三个range。
2、还记得我们抓取基金网站内容的getData()函数?
defgetData(start,end):
forxinrange(start,end+1):
#去第几页输入框
tonum=driver.find_element_by_id("tonum")
#去第几页提交按钮
jumpBtn=driver.find_element_by_id("btn_jump")
tonum.clear()#第x页输入框
tonum.send_keys(str(x))#去第x页
jumpBtn.click()#点击按钮
WebDriverWait(driver,20).until(lambdadriver:driver.find_element_by_id("pager")\
.find_element_by_xpath("span[@value={0}and@class!='endpage']".format(x))\
.get_attribute("class").find("at")!=-1)
#保存抓取到的html内容
#保存到html目录下
withopen("./htmls/{0}.txt".format(x),"wb")asf:
f.write(driver.find_element_by_id("tableDiv").get_attribute("innerHTML").encode("utf8"))
f.close()
函数是有2个参数:一个开始页码,一个结束页码,也就是从第start页,到第end页。
这2个参数实际上也是range。
改造getData()函数如下(参数不同了):
#循环抓取网页内容的函数
defgetData(myrange):
forxinmyrange:
#去第几页输入框
tonum=driver.find_element_by_id("tonum")
#去第几页提交按钮
jumpBtn=driver.find_element_by_id("btn_jump")
tonum.clear()#第x页输入框
tonum.send_keys(str(x))#去第x页
jumpBtn.click()#点击按钮
WebDriverWait(driver,20).until(lambdadriver:driver.find_element_by_id("pager")\
.find_element_by_xpath("span[@value={0}and@class!='endpage']".format(x))\
.get_attribute("class").find("at")!=-1)
#保存抓取到的html内容
#保存到html目录下
withopen("./htmls/{0}.txt".format(x),"wb")asf:
f.write(driver.find_element_by_id("tableDiv").get_attribute("innerHTML").encode("utf8"))
f.close()
3、创建进程,把target设置为上面的getData():
#初始range
r=range(1,int(total_page)+1)
#步长
step=10
myList=[r[x:x+step]forxinrange(0,len(r),step)]#把页面分段
#创建进程
processList=[]
if__name__=="__main__":
forrinmyList:
p=Process(target=getData,args=(r,))
processList.append(p)
#开始执行进程
forpinprocessList:
p.start()
这样就有三个进程分别抓取。
4、多进程抓取基金网站多页内容完全代码:
fromseleniumimportwebdriver
fromselenium.webdriver.support.uiimportWebDriverWait
fromselenium.webdriver.supportimportexpected_conditions
frommultiprocessingimportProcess
driver=webdriver.PhantomJS(executable_path=r"你phantomjs的可执行文件路径")
#请求一个网址
driver.get("http://fund.eastmoney.com/fund.html")
page_text=driver.find_element_by_id("pager").find_element_by_xpath("span[@class='nv']").text
total_page=''.join(filter(str.isdigit,page_text))#得到总共有多少页
#循环抓取网页内容的函数
defgetData(myrange):
forxinmyrange:
#去第几页输入框
tonum=driver.find_element_by_id("tonum")
#去第几页提交按钮
jumpBtn=driver.find_element_by_id("btn_jump")
tonum.clear()#第x页输入框
tonum.send_keys(str(x))#去第x页
jumpBtn.click()#点击按钮
WebDriverWait(driver,20).until(lambdadriver:driver.find_element_by_id("pager")\
.find_element_by_xpath("span[@value={0}and@class!='endpage']".format(x))\
.get_attribute("class").find("at")!=-1)
#保存抓取到的html内容
#保存到html目录下
withopen("./htmls/{0}.txt".format(x),"wb")asf:
f.write(driver.find_element_by_id("tableDiv").get_attribute("innerHTML").encode("utf8"))
f.close()
#初始range
r=range(1,int(total_page)+1)
#步长
step=10
myList=[r[x:x+step]forxinrange(0,len(r),step)]#把页面分段
#创建进程
processList=[]
if__name__=="__main__":
forrinmyList:
p=Process(target=getData,args=(r,))
processList.append(p)
#开始执行进程
forpinprocessList:
p.start()