今天试着把前面那个爬取图片的爬虫改成了多线程爬取,虽然最后可以爬取存储图片了,但仍存在一些问题。网址还是那个网址https://www.quanjing.com/category/1286521/1.html,
下面是代码,难点直接在后面注释了。
# 多线程爬取,每个线程爬取一个页面
import requests
import threading
import queue
from bs4 import BeautifulSoup
import re
import time
string = "https://www.quanjing.com/category/1286521/"
pipei = re.compile('
class spiders(threading.Thread):
name = 1 # 累加变量,用来给每张图片命名
def __init__(self, queue, page):
threading.Thread.__init__(self)
self.queue = queue
self.page = page
def run(self): # 定义线程开始函数
while not self.queue.empty():
url = self.queue.get_nowait()
# print(url)
self.request_url(url)
def request_url(self, url): # 爬取并存储每一页的图片
html = requests.get(url=url).text
soup = BeautifulSoup(html, 'lxml')
li = str(soup.find_all(attrs={'class': "gallery_list"})) # 根据class标签属性找出所有的图片链接
lianjies = re.findall(pipei, li) # 正则匹配出一页中每一个图片的链接
for lianjie in lianjies:
result = requests.get(url=lianjie).content # 获取图片的二进制数据
# 以二进制的方式存储图片
with open('E:\py project\quanjingwang\image{0}\{1}.jpg'.format(self.page, self.name), 'ab+') as f:
f.write(result)
print("第{0}张存储完成".format(self.name))
self.name += 1 # 命名
# 创建多线程函数
def main():
url_queue = queue.Queue()
for i in range(1, 11):
url = string + str(i) + ".html"
url_queue.put(url)
thread_list = [] # 线程列表
thread_counter = 5 # 线程数量,根据线程数量在相同目录下创建image0-4五个文件夹,用于存储对应线程的爬取结果,image0对应线程1
for i in range(thread_counter):
t = spiders(url_queue, i)
thread_list.append(t)
for t in thread_list:
t.start()
# for t in thread_list:
# print("线程id:%d" % t.ident) # 获取线程id
# print("线程name:%s" % t.getName()) # 获取线程名
for t in thread_list:
t.join()
if __name__ == '__main__':
start_time = time.time()
main()
print("五线程用时:%f" % (time.time() - start_time))
刚开始,我想把爬取的所有图片都放在一个文件夹了,但却由于命名的问题,总是被覆盖,每次都只有一页的图片,最后用类中的静态变量解决(name)。不过就在刚在突然想到完全可以换一种命名方式解决,比如每张图片都有一个自己的标题,用标题命名不但解决的这个问题,还更加直观、利用查找。(自己tcl。。。若文章有错误,欢迎大家随之指正。。。)