Python爬虫 | 生产者-消费者模型

一、什么是 生产者-消费者 模型？

生产者-消费者模式是一个十分经典的多线程并发协作的模式，弄懂生产者-消费者问题能够让我们对并发编程的理解加深。

所谓生产者-消费者问题，实际上主要是包含了两类线程，一种是生产者线程用于生产数据，另一种是消费者线程用于消费数据，为了解耦生产者和消费者的关系，通常会采用共享的数据区域，就像是一个仓库。

生产者生产数据之后直接放置在共享数据区中，并不需要关心消费者的行为；而消费者只需要从共享数据区中去获取数据，就不再需要关心生产者的行为。

但是，这个共享数据区域中应该具备这样的线程间并发协作的功能。

二、 爬虫当中为什么要使用 生产者-消费者 模型？

传统爬虫流程：

1. requests 请求所要爬取的页面
2. 等待响应回来接收数据
3. 解析页面数据
4. 持久化存储
5. 重复以上操作

流程有两个问题

1. 请求页面之后，数据接收回来之前，程序处在阻塞状态
2. 接收数据之后，到下一次请求之前，网络处在闲置当中

生产者-消费者爬虫流程：

生产者：

1. requests 请求所要爬取的页面
2. 等待响应回来接收数据
3. 将数据保存到队列当中
4. 进行下一次请求

消费者：

1. 判断队列当中是否有数据，如果有则往后进行
2. 解析页面数据
3. 持久化存储
4. 重复以上步骤

三、 代码实现

示例网站：斗图啦—貌似没有反爬

# 引入包
import threading
import requests
from lxml import etree
from urllib import request
from queue import Queue

# 生产者，访问页面，获取图片地址
class Producer(threading.Thread):
    headers = {
        "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36",
    }

    def __init__(self, page_queue, img_queue, *args, **kwargs):
        super(Producer, 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=url, headers=self.headers)
        text = response.text
        html = etree.HTML(text)

        img_list = html.xpath('//div[@class="page-content text-center"]/div/a/img')
        for img in img_list:
            img_url = img.xpath('./@data-original')[0]
            img_name = img.xpath('./@alt')[0] + '.jpg'
            self.img_queue.put((img_url, img_name))

# 消费者，取出图片地址保存图片到本地
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:
            if self.page_queue.empty() and self.img_queue.empty():
                break
            img_url, img_name = self.img_queue.get()
            request.urlretrieve(img_url, "./imgs/" + img_name.replace('/', ''))
            print(img_name + " 下载完成！")

# 定义一个主方法，该方法向处理方法中传值
def main():
    page_queue = Queue(50)  # 存储页码链接
    img_queue = Queue(10)  # 存储解析出来的图片链接
    # 想要爬取前10页的数据
    for x in range(1, 11):
        url = "https://www.doutula.com/photo/list/?page=%d" % x
        page_queue.put(url)  # 将10页的页码链接加入到了page_queue
	# 开启三个生产者
    for x in range(3):
        t = Producer(page_queue, img_queue)
        t.start()
	# 开启三个消费者
    for x in range(3):
        t = Consumer(page_queue, img_queue)
        t.start()


if __name__ == '__main__':
    main()

注意： 试一试就可以了，不要瞎玩~