python 爬虫 进程池 豆瓣电影250

接着前面的项目继续优化,这次来加入一个进程池加快爬取速度。

这个爬虫可以通过修改进程数量加快爬取速度,不过注意爬的太快会被封ip

import html
from lxml import etree
from multiprocessing.dummy import Pool
from multiprocessing import JoinableQueue
import requests


class Top_250_detail():
    def __init__(self):
        self.count= 0
        self.request_p = Pool(10)	# 修改这个数量可以改变最多几个进程同时存在
        self.extract_p = Pool(10)
        self.extract_p2 = Pool(10)
        self.inner_url_q = JoinableQueue()
        self.outter_url_q = JoinableQueue()
        self.d_q = JoinableQueue()
        self.headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36"
}


    def outer_url_list(self): # 多少页的页面url
        for i in range(0, 226, 25):
            url_raw = 'https://movie.douban.com/top250?start={}'.format(i)
            self.outter_url_q.put(url_raw)
        print('外层url生成完毕')

    def inner_url_list(self):  # 每页上的25个电影的url地址
        while True:
            outter_url = self.outter_url_q.get()
            self.outter_url_q.task_done()  # 只有取完了才关闭?
            response = requests.get(outter_url, self.headers)
            eroot = etree.HTML(response.text)
            element_list = eroot.xpath('//div[@class="item"]')
            for i in element_list:
                detail_link = i.xpath('./div/a/@href')[0]
                self.inner_url_q.put(detail_link)

    def get_detail(self): # 获取电影的详细介绍
        while True:
            inner_url = self.inner_url_q.get()
            self.inner_url_q.task_done()  # 主要是让join知道这个任务是否执行完了
            d_response = requests.get(inner_url, headers=self.headers)
            d_eroot = etree.HTML(d_response.text)
            detail_summary_list = d_eroot.xpath('//span[@class="all hidden"]/text()')
            if not detail_summary_list:
                detail_summary_list = d_eroot.xpath('//span[@property="v:summary"]/text()')
            for paragraph in detail_summary_list:
                self.d_q.put(paragraph)

    def get_detail2(self):
        while True:
            paragraph = self.d_q.get()
            self.d_q.task_done()
            clean_para = html.escape(paragraph).strip()
            print(self.count, clean_para)
            print()
            self.count += 1

    def muti_task(self):
        for i in range(3):		# 修改这里可以改变速度
            self.request_p.apply_async(self.inner_url_list)
            self.extract_p.apply_async(self.get_detail)
            self.extract_p.apply_async(self.get_detail2)
        self.request_p.close()
        self.extract_p.close()
        self.extract_p2.close()
        self.request_p.join()
        self.extract_p.join()
        self.extract_p2.join()

if __name__ == '__main__':
    spider = Top_250_detail()
    spider.outer_url_list()
    spider.muti_task()

查看队列长度queue.qsize()

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

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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