Python爬蟲之線程池的使用
一、前言
學到現在,我們可以說已經學習瞭爬蟲的基礎知識,如果沒有那些奇奇怪怪的反爬蟲機制,基本上隻要有時間分析,一般的數據都是可以爬取的,那麼到瞭這個時候我們需要考慮的就是爬取的效率瞭,關於提高爬蟲效率,也就是實現異步爬蟲,我們可以考慮以下兩種方式:一是線程池的使用(也就是實現單進程下的多線程),一是協程的使用(如果沒有記錯,我所使用的協程模塊是從python3.4以後引入的,我寫博客時使用的python版本是3.9)。
今天我們先來講講線程池。
二、同步代碼演示
我們先用普通的同步的形式寫一段代碼
import time def func(url): print("正在下載:", url) time.sleep(2) print("下載完成:", url) if __name__ == '__main__': start = time.time() # 開始時間 url_list = [ "a", "b", "c" ] for url in url_list: func(url) end = time.time() # 結束時間 print(end - start)
對於代碼運行的結果我們心裡都有數,但還是讓我們來看一下吧
不出所料。運行時間果然是六秒
三、異步,線程池代碼
那麼如果我們使用線程池運行上述代碼又會怎樣呢?
import time from multiprocessing import Pool def func(url): print("正在下載:", url) time.sleep(2) print("下載完成:", url) if __name__ == '__main__': start = time.time() # 開始時間 url_list = [ "a", "b", "c" ] pool = Pool(len(url_list)) # 實例化一個線程池對象,並且設定線程池的上限數量為列表長度。不設置上限也可以。 pool.map(func, url_list) end = time.time() # 結束時間 print(end - start)
下面就是見證奇跡的時候瞭,讓我們運行程序
我們發現這次我們的運行時間隻用2~3秒。其實我們可以將線程池簡單的理解為將多個任務同時進行。
註意:
1.我使用的是 pycharm,如果使用的是 VS 或者說是 python 自帶的 idle,在運行時我們隻能看到最後時間的輸出。
2.我們輸出結果可能並不是按 abc 的順序輸出的。
四、同步爬蟲爬取圖片
因為我們的重點是線程池的爬取效率提高,我們就簡單的爬取一頁的圖片。
import requests import time import os from lxml import etree def save_photo(url, title): # UA偽裝 header = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36" } # 發送請求 photo = requests.get(url=url, headers=header).content # 創建路徑,避免重復下載 if not os.path.exists("C:\\Users\\ASUS\\Desktop\\CSDN\\高性能異步爬蟲\\線程池\\同步爬蟲爬取4K美女圖片\\" + title + ".jpg"): with open("C:\\Users\\ASUS\\Desktop\\CSDN\\高性能異步爬蟲\\線程池\\同步爬蟲爬取4K美女圖片\\" + title + ".jpg", "wb") as fp: print(title, "開始下載!!!") fp.write(photo) print(title, "下載完成!!!") if __name__ == '__main__': start = time.time() # 創建文件夾 if not os.path.exists("C:\\Users\\ASUS\\Desktop\\CSDN\\高性能異步爬蟲\\線程池\\同步爬蟲爬取4K美女圖片"): os.mkdir("C:\\Users\\ASUS\\Desktop\\CSDN\\高性能異步爬蟲\\線程池\\同步爬蟲爬取4K美女圖片") # UA偽裝 header = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36" } # 指定url url = "https://pic.netbian.com/4kmeinv/" # 發送請求,獲取源碼 page = requests.get(url = url, headers = header).text # xpath 解析,獲取圖片的下載地址的列表 tree = etree.HTML(page) url_list = tree.xpath('//*[@id="main"]/div[3]/ul/li/a/@href') # 通過下載地址獲取高清圖片的地址和圖片名稱 for href in url_list: new_url = "https://pic.netbian.com" + href # 再一次發送請求 page = requests.get(url = new_url, headers = header).text # 再一次 xpath 解析 new_tree = etree.HTML(page) src = "https://pic.netbian.com" + new_tree.xpath('//*[@id="img"]/img/@src')[0] title = new_tree.xpath('//*[@id="img"]/img/@title')[0].split(" ")[0] # 編譯文字 title = title.encode("iso-8859-1").decode("gbk") # 下載,保存 save_photo(src, title) end = time.time() print(end - start)
讓我們看看同步爬蟲需要多長時間
然後再讓我們看看使用線程池的異步爬蟲爬取這些圖片需要多久
五、使用線程池的異步爬蟲爬取4K美女圖片
import requests import time import os from lxml import etree from multiprocessing import Pool def save_photo(src_title): # UA偽裝 header = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36" } # 發送請求 url = src_title[0] title = src_title[1] photo = requests.get(url=url, headers=header).content # 創建路徑,避免重復下載 if not os.path.exists("C:\\Users\\ASUS\\Desktop\\CSDN\\高性能異步爬蟲\\線程池\\異步爬蟲爬取4K美女圖片\\" + title + ".jpg"): with open("C:\\Users\\ASUS\\Desktop\\CSDN\\高性能異步爬蟲\\線程池\\異步爬蟲爬取4K美女圖片\\" + title + ".jpg", "wb") as fp: print(title, "開始下載!!!") fp.write(photo) print(title, "下載完成!!!") if __name__ == '__main__': start = time.time() # 創建文件夾 if not os.path.exists("C:\\Users\\ASUS\\Desktop\\CSDN\\高性能異步爬蟲\\線程池\\異步爬蟲爬取4K美女圖片"): os.mkdir("C:\\Users\\ASUS\\Desktop\\CSDN\\高性能異步爬蟲\\線程池\\異步爬蟲爬取4K美女圖片") # UA偽裝 header = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36" } # 指定url url = "https://pic.netbian.com/4kmeinv/" # 發送請求,獲取源碼 page = requests.get(url = url, headers = header).text # xpath 解析,獲取圖片的下載地址的列表 tree = etree.HTML(page) url_list = tree.xpath('//*[@id="main"]/div[3]/ul/li/a/@href') # 存儲最後的網址和標題的列表 src_list = [] title_list = [] # 通過下載地址獲取高清圖片的地址和圖片名稱 for href in url_list: new_url = "https://pic.netbian.com" + href # 再一次發送請求 page = requests.get(url = new_url, headers = header).text # 再一次 xpath 解析 new_tree = etree.HTML(page) src = "https://pic.netbian.com" + new_tree.xpath('//*[@id="img"]/img/@src')[0] src_list.append(src) title = new_tree.xpath('//*[@id="img"]/img/@title')[0].split(" ")[0] # 編譯文字 title = title.encode("iso-8859-1").decode("gbk") title_list.append(title) # 下載,保存。使用線程池 pool = Pool() src_title = zip(src_list, title_list) pool.map(save_photo, list(src_title)) end = time.time() print(end - start)
讓我們來看看運行的結果
隻用瞭 17 秒,可不要小瞧這幾秒,如果數據太大,這些差距後來就會更大瞭。
註意
不過我們必須要明白 線程池 是有上限的,這就是說數據太大,線程池的效率也會降低,所以這就要用到協程模塊瞭。
到此這篇關於Python爬蟲之線程池的使用的文章就介紹到這瞭,更多相關Python線程池的使用內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- Python爬蟲之爬取二手房信息
- python爬取一組小姐姐圖片實例
- Python7個爬蟲小案例詳解(附源碼)上篇
- python百行代碼實現漢服圈圖片爬取
- 教你如何利用python3爬蟲爬取漫畫島-非人哉漫畫