近日閑來(lái)無(wú)事，總有一種無(wú)形的力量縈繞在朕身邊，讓朕精神渙散，昏昏欲睡。
#抓取愛(ài)小姐姐網(wǎng)圖片保存到本地
import requests
from lxml import etree as et
import os
#請(qǐng)求頭
headers = {
#用戶代理
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'
}
#待抓取網(wǎng)頁(yè)基地址
base_url = 'https://www./c/qingchun/'
#保存圖片基本路徑
base_dir = 'D:/python/code/aixjj/'
#保存圖片
def savePic(pic_url):
#如果目錄不存在，則新建
if not os.path.exists(base_dir):
os.makedirs(base_dir)
arr = pic_url.split('/')
file_name = base_dir arr[-2] arr[-1]
print(file_name)
#獲取圖片內(nèi)容
response = requests.get(pic_url, headers = headers)
#寫(xiě)入圖片
with open(file_name,'wb') as fp:
for data in response.iter_content(128):
fp.write(data)
#觀察此網(wǎng)站總共只有62頁(yè)，所以循環(huán)62次
for k in range(1,63):
#請(qǐng)求頁(yè)面地址
url = base_url str(k)
response = requests.get(url = url, headers = headers)
#請(qǐng)求狀態(tài)碼
code = response.status_code
if code == 200:
html = et.HTML(response.text)
#獲取頁(yè)面所有圖片地址
r = html.xpath('//li/a/img/@src')
#獲取下一頁(yè)url
#t = html.xpath('//div[@class="page"]/a[@class="ch"]/@href')[-1]
for pic_url in r:
a = 'http:' pic_url
savePic(a)
print('第%d頁(yè)圖片下載完成' % (k))
print('The End!')
嘗試運(yùn)行爬蟲(chóng)，嘿，沒(méi)想到行了：
#多進(jìn)程版——抓取愛(ài)小姐姐網(wǎng)圖片保存到本地
import requests
from lxml import etree as et
import os
import time
from multiprocessing import Pool
#請(qǐng)求頭
headers = {
#用戶代理
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'
}
#待抓取網(wǎng)頁(yè)基地址
base_url = 'https://www./c/qingchun/'
#保存圖片基本路徑
base_dir = 'D:/python/code/aixjj1/'
#保存圖片
def savePic(pic_url):
#如果目錄不存在，則新建
if not os.path.exists(base_dir):
os.makedirs(base_dir)
arr = pic_url.split('/')
file_name = base_dir arr[-2] arr[-1]
print(file_name)
#獲取圖片內(nèi)容
response = requests.get(pic_url, headers = headers)
#寫(xiě)入圖片
with open(file_name,'wb') as fp:
for data in response.iter_content(128):
fp.write(data)
def geturl(url):
#請(qǐng)求頁(yè)面地址
#url = base_url str(k)
response = requests.get(url = url, headers = headers)
#請(qǐng)求狀態(tài)碼
code = response.status_code
if code == 200:
html = et.HTML(response.text)
#獲取頁(yè)面所有圖片地址
r = html.xpath('//li/a/img/@src')
#獲取下一頁(yè)url
#t = html.xpath('//div[@class="page"]/a[@class="ch"]/@href')[-1]
for pic_url in r:
a = 'http:' pic_url
savePic(a)
if __name__ == '__main__':
#獲取要爬取的鏈接列表
url_list = [base_url format(i) for i in range(1,100)]
a1 = time.time()
#利用進(jìn)程池方式創(chuàng)建進(jìn)程，默認(rèn)創(chuàng)建進(jìn)程數(shù)量=電腦核數(shù)
#自己定義進(jìn)程數(shù)量方式 pool = Pool(4)
pool = Pool()
pool.map(geturl,url_list)
pool.close()
pool.join()
b1 = time.time()
print('運(yùn)行時(shí)間：',b1-a1)
抱著試一試的心態(tài)，運(yùn)行了多進(jìn)程版本爬蟲(chóng)，嘿?zèng)]想到又行了，在朕偉大的四核CPU的加持下，爬蟲(chóng)速度提升了3~4倍。
我：‘…’
多進(jìn)程：密集CPU任務(wù)，需要充分使用多核CPU資源（服務(wù)器，大量的并行計(jì)算）的時(shí)候，用多進(jìn)程。
呵，我這可不就是I/O密集任務(wù)嗎，趕緊寫(xiě)一個(gè)多線程版爬蟲(chóng)先。于是，又誕生了第三款：
import threading # 導(dǎo)入threading模塊
from queue import Queue #導(dǎo)入queue模塊
import time #導(dǎo)入time模塊
import requests
import os
from lxml import etree as et
#請(qǐng)求頭
headers = {
#用戶代理
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'
}
#待抓取網(wǎng)頁(yè)基地址
base_url = 'https://www./c/qingchun/'
#保存圖片基本路徑
base_dir = 'D:/python/code/aixjj/'
#保存圖片
def savePic(pic_url):
#如果目錄不存在，則新建
if not os.path.exists(base_dir):
os.makedirs(base_dir)
arr = pic_url.split('/')
file_name = base_dir arr[-2] arr[-1]
print(file_name)
#獲取圖片內(nèi)容
response = requests.get(pic_url, headers = headers)
#寫(xiě)入圖片
with open(file_name,'wb') as fp:
for data in response.iter_content(128):
fp.write(data)
# 爬取文章詳情頁(yè)
def get_detail_html(detail_url_list, id):
while True:
url = detail_url_list.get() #Queue隊(duì)列的get方法用于從隊(duì)列中提取元素
response = requests.get(url = url, headers = headers)
#請(qǐng)求狀態(tài)碼
code = response.status_code
if code == 200:
html = et.HTML(response.text)
#獲取頁(yè)面所有圖片地址
r = html.xpath('//li/a/img/@src')
#獲取下一頁(yè)url
#t = html.xpath('//div[@class="page"]/a[@class="ch"]/@href')[-1]
for pic_url in r:
a = 'http:' pic_url
savePic(a)
# 爬取文章列表頁(yè)
def get_detail_url(queue):
for i in range(1,100):
#time.sleep(1) # 延時(shí)1s，模擬比爬取文章詳情要快
#Queue隊(duì)列的put方法用于向Queue隊(duì)列中放置元素，由于Queue是先進(jìn)先出隊(duì)列，所以先被Put的URL也就會(huì)被先get出來(lái)。
page_url = base_url format(i)
queue.put(page_url)
print("put page url {id} end".format(id = page_url))#打印出得到了哪些文章的url
#主函數(shù)
if __name__ == "__main__":
detail_url_queue = Queue(maxsize=1000) #用Queue構(gòu)造一個(gè)大小為1000的線程安全的先進(jìn)先出隊(duì)列
#A線程負(fù)責(zé)抓取列表url
thread = threading.Thread(target=get_detail_url, args=(detail_url_queue,))
html_thread= []
#另外創(chuàng)建三個(gè)線程負(fù)責(zé)抓取圖片
for i in range(20):
thread2 = threading.Thread(target=get_detail_html, args=(detail_url_queue,i))
html_thread.append(thread2)#B C D 線程抓取文章詳情
start_time = time.time()
# 啟動(dòng)四個(gè)線程
thread.start()
for i in range(20):
html_thread[i].start()
# 等待所有線程結(jié)束，thread.join()函數(shù)代表子線程完成之前，其父進(jìn)程一直處于阻塞狀態(tài)。
thread.join()
for i in range(20):
html_thread[i].join()
print("last time: {} s".format(time.time()-start_time))#等ABCD四個(gè)線程都結(jié)束后，在主進(jìn)程中計(jì)算總爬取時(shí)間。
粗略測(cè)試一下，得出結(jié)論： ‘Oh my god，這也太快了吧’。
The End！
在現(xiàn)實(shí)中，我忍氣吞聲，不敢侮辱別人，在網(wǎng)絡(luò)上，我重拳出擊，辱罵網(wǎng)友，意氣風(fēng)發(fā)！
來(lái)源：https://www./content-1-656451.html
