爬虫案例:协程爬取doutula网站所有表情包

  • readme.text

    • 运行环境:python3.x版本以上
    • 用到的库文件:requests库,re库,urllib库,queue库,gevent库,os库,lxml库
    • 终端执行命令:python3 doutula_spider.py 10  # 10表示爬区十页表情包
  • soutula_spider.py

  • import requests
    from lxml import etree
    import os
    import re
    from urllib import request
    from queue import Queue
    import gevent
    from gevent import monkey
    import sys
    
    
    monkey.patch_all()
    gQueue = Queue(20)
    gNext_queue = Queue(20)
    gQueue.put("http://www.doutula.com/photo/list/")
    gNext_queue.put("http://www.doutula.com/photo/list/")
    gCount = 0
    
    
    def parse_url():
        global gQueue
        global gNext_queue
        global gCount
        headers = {
            "User-Agent":"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.109 Safari/537.36"
        }
        url = gQueue.get()  # 获取url地址
        response = requests.get(url, headers=headers)  # 获取响应
        html = etree.HTML(response.text)
        # 根据a标签来分组
        a_list = html.xpath("//div[@class='page-content text-center']//a[@class='col-xs-6 col-sm-3']")
        for li in a_list:
            img_url = li.xpath(".//@data-original")[0]  # 图片url
            title = li.xpath(".//@alt")[0]  # 标题
            title = re.sub(r"[??! !’“、]*?", "", title)  # 去除表情中不符合文件命名的符号
            suffix = os.path.splitext(img_url)[1]  # 判断该图片是gif还会jpg
            suffix = re.sub(r"!dta", "", suffix)  # 出去jpg!dta后坠名
            filename = title + suffix
            request.urlretrieve(img_url, "images/"+filename)  # 下载图片到images
        if re.findall("page=(\d+)", url):
            current_number = re.findall("page=(\d+)", url)[0]
            current_number = int(current_number)
        else:
            current_number = 1
        print("******第%d页已经下载完成******" % current_number)
        parse_url()
    
    
    def get_next_url(spider_number):
        """翻页"""
        global gQueue
        global gNext_queue
        global gCount
        headers = {
            "User-Agent": "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.109 Safari/537.36"
        }
        start_url = gNext_queue.get()  # 获取url地址
        print(start_url)
        response = requests.get(start_url, headers=headers)  # 获取url响应
        html = etree.HTML(response.text)
        next_url = html.xpath("//a[@rel='next']/@href")[0]  # 获去next一页url地址
        next_url = "http://www.doutula.com" + next_url  # 补全url地址
        current_number = re.findall("page=(\d+)", next_url)[0]  # 获取当前url地址页数
        current_number = int(current_number)  # 转换成int
        gQueue.put(next_url)  # 添加到队列中
        gNext_queue.put(next_url)
        if current_number == spider_number:  # 判断是否终止需要下一页url
            print(next_url)
            return
        get_next_url(spider_number)
    
    
    def main():
        if len(sys.argv) != 2:  # 判断执行时候是否给脚本传递参数
            print("*"*30)
            print("请根据一下格式输入命令(需要给脚本传递参数):")
            print("python3 doutula_spider.py 10  # 10表示爬去的页数是10页")
            print("*"*30)
            get_ansuer = input("请输入yes表示是否默认只下载第一第二页,其他键退出\n")
            if get_ansuer == 'yes':
                spider_number = 2
            else:
                return
        else:
            try:
                spider_number = int(sys.argv[1])  # 获取需要下载表情包的页数
            except Exception as e:
                print("请输入正确需要下载表情包的页数:%s" % e)
                return
        gevent.joinall([
            gevent.spawn(get_next_url, spider_number),  # 加载下一页url到gQueue, 只需一个
            gevent.spawn(parse_url),
            gevent.spawn(parse_url),  # 四个parse_url协程,速度更快
            gevent.spawn(parse_url),
            gevent.spawn(parse_url),
        ], timeout=30)
    
    
    if __name__ == '__main__':
        main()
    

     

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值