python爬取多页网页的range,Python多进程方式抓取基金网站内容的方法分析

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()