Python的多线程爬虫详解

2023-05-16

多线程使用流程

Python 提供了两个支持多线程的模块，分别是 _thread 和 threading。其中 _thread 模块偏底层，它相比于 threading 模块功能有限，因此推荐大家使用 threading 模块。 threading 中不仅包含了 _thread 模块中的所有方法，还提供了一些其他方法，如下所示：

threading.currentThread() 返回当前的线程变量。
threading.enumerate() 返回一个所有正在运行的线程的列表。
threading.activeCount() 返回正在运行的线程数量。

线程的具体使用方法如下所示：

from threading import Thread
#线程创建、启动、回收
t = Thread(target=函数名) # 创建线程对象
t.start() # 创建并启动线程
t.join() # 阻塞等待回收线程

创建多线程的具体流程:

t_list = []
for i in range(5):
t = Thread(target=函数名)
t_list.append(t)
t.start()
for t in t_list:
t.join()

除了使用该模块外，您也可以使用 Thread 线程类来创建多线程。

在处理线程的过程中要时刻注意线程的同步问题，即多个线程不能操作同一个数据，否则会造成数据的不确定性。通过 threading 模块的 Lock 对象能够保证数据的正确性。

比如，使用多线程将抓取数据写入磁盘文件，此时，就要对执行写入操作的线程加锁，这样才能够避免写入的数据被覆盖。当线程执行完写操作后会主动释放锁，继续让其他线程去获取锁，周而复始，直到所有写操作执行完毕。具体方法如下所示：

from threading import Lock
lock = Lock()
获取锁
lock.acquire()
wirter.writerows(“线程锁问题解决”)
释放锁
lock.release()

Queue队列模型

对于 Python 多线程而言，由于 GIL 全局解释器锁的存在，同一时刻只允许一个线程占据解释器执行程序，当此线程遇到 IO 操作时就会主动让出解释器，让其他处于等待状态的线程去获取解释器来执行程序，而该线程则回到等待状态，这主要是通过线程的调度机制实现的。

由于上述原因，我们需要构建一个多线程共享数据的模型，让所有线程都到该模型中获取数据。queue（队列，先进先出）模块提供了创建共享数据的队列模型。比如，把所有待爬取的 URL 地址放入队列中，每个线程都到这个队列中去提取 URL。queue 模块的具体使用方法如下：

导入模块
from queue import Queue
q = Queue() #创界队列对象
q.put(url) 向队列中添加爬取一个url链接
q.get() # 获取一个url，当队列为空时，阻塞
q.empty() # 判断队列是否为空，True/False

多线程爬虫案例

下面通过多线程方法抓取小米应用商店（https://app.mi.com/）中应用分类一栏，所有类别下的 APP 的名称、所属类别以及下载详情页 URL 。如下图所示：

图1：小米应用商城

抓取下来的数据 demo 如下所示：

三国杀,棋牌桌游,http://app.mi.com/details?id=com.bf.sgs.hdexp.mi

1) 案例分析

通过搜索关键字可知这是一个动态网站，因此需要抓包分析。

刷新网页来重新加载数据，可得知请求头的 URL 地址，如下所示：

https://app.mi.com/categotyAllListApi?page=0&categoryId=1&pageSize=30

其中查询参数 pageSize 参数值不变化，page 会随着页码的增加而变化，而类别 Id 通过查看页面元素，如下所示

游戏
实用工具
影音视听
聊天社交
图书阅读
学习教育
效率办公
时尚购物
居家生活
旅行交通
摄影摄像
医疗健康
体育运动
新闻资讯
娱乐消遣
金融理财

因此，可以使用 Xpath 表达式匹配 href 属性，从而提取类别 ID 以及类别名称，表达式如下：

基准表达式：xpath_bds = '//ul[@class="category-list"]/li'
提取 id 表达式：typ_id = li.xpath('./a/@href')[0].split('/')[-1]
类型名称：typ_name = li.xpath('./a/text()')[0]

点击开发者工具的 response 选项卡，查看响应数据，如下所示：

{
count: 2000,
data: [
{
appId: 1348407,
displayName: "天气暖暖-关心Ta从关心天气开始",
icon: "http://file.market.xiaomi.com/thumbnail/PNG/l62/AppStore/004ff4467a7eda75641eea8d38ec4d41018433d33",
level1CategoryName: "居家生活",
packageName: "com.xiaowoniu.WarmWeather"
},
{
appId: 1348403,
displayName: "贵斌同城",
icon: "http://file.market.xiaomi.com/thumbnail/PNG/l62/AppStore/0e607ac85ed9742d2ac2ec1094fca3a85170b15c8",
level1CategoryName: "居家生活",
packageName: "com.gbtc.guibintongcheng"
},
...
...

通过上述响应内容，我们可以从中提取出 APP 总数量（count）和 APP （displayName）名称，以及下载详情页的 packageName。由于每页中包含了 30 个 APP，所以总数量（count）可以计算出每个类别共有多少页。

pages = int(count) // 30 + 1

下载详情页的地址是使用 packageName 拼接而成，如下所示：

link = 'http://app.mi.com/details?id=' + app['packageName']

2) 完整程序

完整程序如下所示：

-- coding:utf8 --
import requests
from threading import Thread
from queue import Queue
import time
from fake_useragent import UserAgent
from lxml import etree
import csv
from threading import Lock
import json
class XiaomiSpider(object):
def init(self):
self.url = ‘http://app.mi.com/categotyAllListApi?page={}&categoryId={}&pageSize=30’
存放所有URL地址的队列
self.q = Queue()
self.i = 0
存放所有类型id的空列表
self.id_list = []
打开文件
self.f = open(‘XiaomiShangcheng.csv’,‘a’,encoding=‘utf-8’)
self.writer = csv.writer(self.f)
创建锁
self.lock = Lock()
def get_cateid(self):
请求
url = ‘http://app.mi.com/’
headers = { ‘User-Agent’: UserAgent().random}
html = requests.get(url=url,headers=headers).text
解析
parse_html = etree.HTML(html)
xpath_bds = ‘//ul[@class=“category-list”]/li’
li_list = parse_html.xpath(xpath_bds)
for li in li_list:
typ_name = li.xpath(‘./a/text()’)[0]
typ_id = li.xpath(‘./a/@href’)[0].split(‘/’)[-1]
计算每个类型的页数
pages = self.get_pages(typ_id)
#往列表中添加二元组
self.id_list.append( (typ_id,pages) )
入队列
self.url_in()
获取count的值并计算页数
def get_pages(self,typ_id):
获取count的值，即app总数
url = self.url.format(0,typ_id)
html = requests.get(
url=url,
headers={‘User-Agent’:UserAgent().random}
).json()
count = html[‘count’]
pages = int(count) // 30 + 1
return pages
url入队函数，拼接url，并将url加入队列
def url_in(self):
for id in self.id_list:
id格式：(‘4’,pages)
for page in range(1,id[1]+1):
url = self.url.format(page,id[0])
把URL地址入队列
self.q.put(url)
线程事件函数: get() -请求-解析-处理数据,三步骤
def get_data(self):
while True:
判断队列不为空则执行，否则终止
if not self.q.empty():
url = self.q.get()
headers = {‘User-Agent’:UserAgent().random}
html = requests.get(url=url,headers=headers)
res_html = html.content.decode(encoding=‘utf-8’)
html=json.loads(res_html)
self.parse_html(html)
else:
break
解析函数
def parse_html(self,html):
写入到csv文件
app_list = []
for app in html[‘data’]:
app名称 + 分类 + 详情链接
name = app[‘displayName’]
link = ‘http://app.mi.com/details?id=’ + app[‘packageName’]
typ_name = app[‘level1CategoryName’]
把每一条数据放到app_list中,并通过writerows()实现多行写入
app_list.append([name,typ_name,link])
print(name,typ_name)
self.i += 1
向CSV文件中写入数据
self.lock.acquire()
self.writer.writerows(app_list)
self.lock.release()
入口函数
def main(self):
URL入队列
self.get_cateid()
t_list = []
创建多线程
for i in range(1):
t = Thread(target=self.get_data)
t_list.append(t)
启动线程
t.start()
for t in t_list:
回收线程
t.join()
self.f.close()
print(‘数量:’,self.i)
if name == ‘main’:
start = time.time()
spider = XiaomiSpider()
spider.main()
end = time.time()
print(‘执行时间:%.1f’ % (end-start))

运行上述程序后，打开存储文件，其内容如下：

在我们之间-单机版,休闲创意,http://app.mi.com/details?id=com.easybrain.impostor.gtx

粉末游戏,模拟经营,http://app.mi.com/details?id=jp.danball.powdergameviewer.bnn

三国杀,棋牌桌游,http://app.mi.com/details?id=com.bf.sgs.hdexp.mi

腾讯欢乐麻将全集,棋牌桌游,http://app.mi.com/details?id=com.qqgame.happymj

快游戏,休闲创意,http://app.mi.com/details?id=com.h5gamecenter.h2mgc

皇室战争,战争策略,http://app.mi.com/details?id=com.supercell.clashroyale.mi

地铁跑酷,跑酷闯关,http://app.mi.com/details?id=com.kiloo.subwaysurf
...
...

零基础Python学习资源介绍

👉Python学习路线汇总👈

温馨提示：篇幅有限，已打包文件夹获取方式在：点击这里【 Python全套资料】即可获取。

👉Python必备开发工具👈

温馨提示：篇幅有限，已打包文件夹获取方式在：点击这里【 Python全套资料】即可获取。

👉Python学习视频600合集👈

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉实战案例👈

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉100道Python练习题👈检查学习结果。

👉面试刷题👈

温馨提示：篇幅有限，已打包文件夹获取方式在：点击这里【 Python全套资料】即可获取。

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)