多线程爬取58同城二手车信息
目录
- 多线程的介绍
- 数据的爬取
- 数据的解析
多线程
- 简介:线程是轻量级的进程,是程序执行流的最小单元,它不拥有系统的资源,运行占用独立的资源且资源小,且多个线程共享一个单元,同一进程中多个线程可以并发执行(线程轮流使用,因为cpu处理和切换比较快),比较适合计算量小但比较耗时的工作(如爬虫)。
- 缺点:
1.cpu分配给每个线程的时间非常短,以此来‘伪装’多线程,但过短的时间导致cpu需要在多个线程之间来回切换,非常损耗性能。
2.数据安全性:不合理的设计导致cpu获取了多个锁之后,会出现死锁的现象,程序无法执行。
导入必要的库
import requests
import threading
from lxml import etree
from threading import Thread
import json
import queue
import time
简述下queue(队列)的作用:queue相当于是一个数据搬运工,例如我们在queue中添加了一串数字‘a,b…z’(queue.put()),那么当程序由生产者模块(类)运行到另一个消费者模块(类)后,通过queue.get()的方式可以获取队列中的数据,这个过程就是实现了数据的传输,queue充当了快递员的作用
爬取数据
class Crawl_data(Thread):
def __init__(self, page_queue, data_queue, name):
super(Crawl_data, self).__init__()
self.headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.122 Safari/537.36'}
#接待page_queue快递员,它的手中有页码的数据
self.page_queue = page_queue
#data_queue 用于储存爬取页数和响应内容
self.data_queue = data_queue
#name 用于记录当前采集线程的名称
self.name = name
self.base_url = 'https://wz.58.com/ershouche/pn'
def run(self):
print('---%s启动---' % self.name)
while True:
#如果page_queue快递员还有数据,则循环继续执行,直到快递员两手空空
if self.page_queue.empty():
break
#获取page_queue快递员传输的数据
page = self.page_queue.get()
url = self.base_url + str(page