python 网络爬虫之下载图片 多线程

 以下载 斗图 表情包为例

#-----utf-8-----
import requests
from lxml import etree
from urllib import request
import re
import random
import threading
from queue import Queue

class Producter(threading.Thread):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 \
            (KHTML, like Gecko) Chrome/58.0.3029.110 Mobile Safari/537.36'
    }
    def __init__(self,page_queue,img_queue,*args,**kwargs): #自定义 __init__() 进行传参page_queue,img_queue
        super(Producter,self).__init__(*args,**kwargs)
        self.page_queue = page_queue
        self.img_queue = img_queue
    def run(self):
        while True:
            if self.page_queue.empty():
                break
            url = self.page_queue.get()
            self.parse_page(url)

    def parse_page(self,url):
        response = requests.get(url,self.headers)
        text = response.text
        html = etree.HTML(text)
        imgs = html.xpath("//div[@class='page-content text-center']//img[@class!='gif']")
        for img in imgs:
            alt = img.get('alt')
            alt = re.sub(r'[\?？\.。！!*@~]', '', alt)
            if alt:
                file_name = alt + '.jpg'
            else:
                alt = random.random()
                file_name = str(alt)+'.jpg'
            img_url = img.get('data-original')
            self.img_queue.put((img_url,file_name))


class Consumer(threading.Thread):
    def __init__(self, page_queue, img_queue, *args, **kwargs):
        super(Consumer, self).__init__(*args, **kwargs)
        self.page_queue = page_queue
        self.img_queue = img_queue
    def run(self):
        while True:      # 线程不能只下载一张图片就退出  要不断的执行，，直到，page_queue，img_queue 为空才停止
            if self.img_queue.empty() and self.page_queue.empty():
                break
            img_url,file_name = self.img_queue.get()   #因为img_queue队列传入的是元组形式的二个参数，此处可以分别赋值
            request.urlretrieve(url=img_url, filename='imgs/' + file_name)
            print(file_name + '下载完成！')




def main():
    page_queue = Queue(500)  #二个线程设置多些，没问题
    img_queue = Queue(1000)
    for i in range(100,151):
        url = 'https://www.doutula.com/photo/list/?page={}'.format(i)
        page_queue.put(url)
    for i in range(5):      #用for循环 产生5个生产者，和5个消费者线程。。
        t = Producter(page_queue,img_queue)
        t.start()
    for i in range(5):
        t = Consumer(page_queue,img_queue)
        t.start()

if __name__ == '__main__':
    main()

   此处 应用的是：生产者和消费者模型。。

总体思路：

1，先用for 循环将所用的URL 传入到page_queue 队列中

2，定义 生产者类，解析所有的 img_url 和 图片的名称 并且put() 到img_queue 队列中去

3，定义消费者类，请求并下载图片（urllib.request.urlretrive(img_url)）

学习心得：

1，怎样向类中引入自定义的队列参数？

答：依据视频中讲解，修改 __init__(self) 函数，

    def __init__(self,page_queue,img_queue,*args,**kwargs): #引入的 page_queue,,img_queue 二个队列
        super(Producter,self).__init__(*args,**kwargs)
        self.page_queue = page_queue
        self.img_queue = img_queue

2，线程类的创建？可以不使用类吗，比如用函数方法实现多线程？

class Producter(threading.Thread):

class Consumer(threading.Thread):

3，def run(self)  是干什么的？

 答： 定义run() 函数是让该类自动运行代码的，，类的创建是为了更好的封装代码，

  run（ ）就相当于 主函数  main()   

  当run() 函数运行完毕，该类才能停止。

4，怎么调用 类内自定义的函数？

答： 应该在前面加一个  self