网站越来越难做,电器企业网站建站,app开发培训课程,在线制作二维码名片前言
在使用爬虫爬取数据的时候#xff0c;当需要爬取的数据量比较大#xff0c;且急需很快获取到数据的时候#xff0c;可以考虑将单线程的爬虫写成多线程的爬虫。下面来学习一些它的基础知识和代码编写方法。
一、进程和线程
进程可以理解为是正在运行的程序的实例。进…前言
在使用爬虫爬取数据的时候当需要爬取的数据量比较大且急需很快获取到数据的时候可以考虑将单线程的爬虫写成多线程的爬虫。下面来学习一些它的基础知识和代码编写方法。
一、进程和线程
进程可以理解为是正在运行的程序的实例。进程是拥有资源的独立单位而线程不是独立的单位。由于每一次调度进程的开销比较大为此才引入的线程。一个进程可以拥有多个线程一个进程中可以同时存在多个线程这些线程共享该进程的资源线程的切换消耗是很小的。因此在操作系统中引入进程的目的是更好地使多道程序并发执行提高资源利用率和系统吞吐量;而引入线程的目的则是减小程序在并发执行时所付出的时空开销提高操作系统的并发性能。 下面用简单的例子进行描述打开本地计算机的”任务管理器”如图1所示这些正在运行的程序叫作进程。如果将一个进程比喻成一个工作指定10个人来做这份工作这10个人就是10个线程。因此在一定的范围内多线程效率比单线程效率更高。 图1.任务管理器
二、Python中的多线程与单线程
在我们平时学习的过程中使用的主要是单线程爬虫。一般来说如果爬取的资源不是特别大使用单线程即可。在Python中默认情况下是单线程的简单理解为代码是按顺序依次运行的比如先运行第一行代码再运行第二行依次类推。在前面章节所学习知识中都是以单线程的形式实践的。 举个例子批量下载某网站的图片由于下载图片是一个耗时的操作如果依然采用单线程的方式下载那么效率就会特别低意味着需要消耗更多的时间等待下载。为了节约时间这时候我们就可以考虑使用多线程的方式来下载图片。 threading模块是Python中专门用来做多线程编程的模块它对thread进行了封装,使用更加方便。例如需要对写代码和玩游戏两个事件使用多线程进行案例代码如下。
import threading
import time
# 定义第一个
def coding():for x in range(3):print(%s正在写代码\n % x)time.sleep(1)
# 定义第二个
def playing():for x in range(3):print(%s正在玩游戏\n % x)time.sleep(1)
# 如果使用多线程执行
def multi_thread():start time.time()# Thread创建第一个线程target参数为函数命t1 threading.Thread(targetcoding)t1.start() # 启动线程# 创建第二个线程t2 threading.Thread(targetplaying)t2.start()# join是确保thread子线程执行完毕后才能执行下一个线程t1.join()t2.join()end time.time()running_time end - start print(总共运行时间 : %.5f 秒 % running_time)
# 执行
if __name__ __main__:multi_thread() # 执行单线程运行结果如图2所示 图2.多线程运行结果 那么执行单线程会消耗多少时间案例代码如下所示。
import time
# 定义第一个
def coding():for x in range(3):print(%s正在写代码\n % x)time.sleep(1)
# 定义第二个
def playing():start time.time()for x in range(3):print(%s正在玩游戏\n % x)time.sleep(1)end time.time()running_time end - startprint(总共运行时间 : %.5f 秒 % running_time)
def single_thread():coding()playing()
# 执行
if __name__ __main__:single_thread() # 执行单线程运行结果如图3所示 图3.单线程运行结果 经过以上多线程和单线程的运行结果可以看出多线程中写代码和玩游戏是一起执行的单线程中则是先写代码再玩游戏。从时间上来说可能只有细微的差距当执行工作量很大的时候便会发现多线程消耗的时间会更少从这个案例中我们也可以知道当所需要执行的任务并不多的时候只需要编写单线程即可。
三、单线程改为多线程
以某直播的图片爬取为例案例代码如下
import requests
from lxml import etree
import time
import osdirpath 图片/
if not os.path.exists(dirpath):os.mkdir(dirpath) # 创建文件夹header {User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36
}
def get_photo():url https://www.huya.com/g/4079/ # 目标网站response requests.get(urlurl, headersheader) # 发送请求data etree.HTML(response.text) # 转化为html格式return datadef jiexi():data get_photo()image_url data.xpath(//a//img//data-original)image_name data.xpath(//a//img[classpic]//alt)for ur, name in zip(image_url, image_name):url ur.replace(?imageview/4/0/w/338/h/190/blur/1, )title name .jpgresponse requests.get(urlurl, headersheader) # 在此发送新的请求with open(dirpath title, wb) as f:f.write(response.content)print(下载成功 name)time.sleep(2)if __name__ __main__:jiexi()如果需要修改为多线程爬虫只需要修改主函数即可例如创建4个线程进行爬取案例代码如下所示
if __name__ __main__:threads []start time.time()# 创建四个进程for i in range(1, 5):thread threading.Thread(targetjiexi(), args(i,))threads.append(thread)thread.start()for thread in threads:thread.join()end time.time()running_time end - startprint(总共消耗时间 : %.5f 秒 % running_time)print(全部完成!) # 主程序文末免费送书Python网络爬虫入门到实战
本书介绍了Python3网络爬虫的常见技术。首先介绍了网页的基础知识然后介绍了urllib、Requests请求库以及XPath、Beautiful Soup等解析库接着介绍了selenium对动态网站的爬取和Scrapy爬虫框架最后介绍了Linux基础便于读者自主部署编写好的爬虫脚本。本书所有代码和相关素材可以到GitHub下载获取地址为https://github.com/sfvsfv/Crawer。 本书主要面向对网络爬虫感兴趣的初学者。。 抽奖方式 评论区随机抽取3位小伙伴免费送出 参与方式 关注博主、点赞、收藏、评论区评论“人生苦短我用Python”切记要点赞收藏否则抽奖无效每个人最多评论三次 活动截止时间 2024-3-04 20:00:00 京东 购买链接传送门 名单公布方式 下期活动开始将在评论区和私信一并公布中奖者请三天内提供信息 本书内容 本书通过简单易懂的案例讲解Python语言的爬虫技术。全书共分为8章第1章为网页的内容第2~7章为爬虫的内容第8章为Linux基础。 第1章介绍了HTML和CSS的基础知识虽然本章并不是直接与爬虫相关但它是学习爬虫技术的基础。对于已经掌握基本网页基础的读者可以选择跳过该章。 第2章正式进入爬虫技术的学习阶段这一章介绍了最基本的两个请求库urllib和Requests有知识点的讲解也有实战案例的讲解。 第3章本章对正则表达式做了详细的描述同时有案例的实践。学完本章就可以掌握最基本的爬虫技术了。 第4章主要介绍XPath解析库配有实际的案例进行讲解以帮助读者加深理解和巩固。 第5章主要介绍另一个解析库Beautiful Soup它在提取数据中也很方便对相关知识点以及实际的案例都有所讲解。XPath和Beautiful Soup可以使信息的提取更加方便、快捷是爬虫必备利器。 第6章主要介绍selenium自动化测试。现在越来越多的网站内容是经过 JavaScript 渲染得到的而原始 HTML 文本可能不包含任何有效内容使用模块selenium实现模拟浏览器进行数据爬取是非常好的选择。 第7章在大规模数据的爬取中不太用得上基础模块Scrapy 是目前使用最广泛的爬虫框架之一本章介绍了Scrapy爬虫框架的详细搭建和实践。针对数据存储过程部分使用的MySql数据库整章有多个实际的案例以帮助读者加深理解和巩固。 第8章主要介绍了Linux的基础知识点以帮助读者能够在服务器部署脚本。 相关资源 本书所有代码和相关素材可以到GitHub下载获取地址为https://github.com/sfvsfv/Crawer。关于代码的实用性需要声明所有代码都是笔者在写书阶段编写的如果有部分爬虫脚本失效有可能是网站的结构发生了变化。希望读者在阅读本书的过程中以学习笔者所介绍的方法为主。 Python网络爬虫入门到实战致谢 本书的撰写与出版得益于同行众多同类教程的启发以及陈姗姗老师和同伴周培源的帮助在此深表感谢。同时也感谢一路走来支持笔者的读者。由于本人水平有限书中难免有不妥之处诚挚期盼专家和广大读者批评指正。
