多线程爬虫之糗事百科(二)
2018-12-04 本文已影响12人
buaishengqi
在python3中,主线程结束,子线程不会结束
在python3中,主进程结束,子进程不会结束
为了能够让主线程回收子线程,可以把子线程设置为守护线程,即该线程不重要,主线程结束,子线程结束
# 多线程爬虫
threading
t1 = threading.Thread(target=func,args=(,)) # 创建了一个线程
t1.setDaemon(True) # 设置守护线程
t1.start() # 启动创建的线程
队列模块的使用
from queue import Queue # 导入Queue模块
q = Queue(maxsize=100) #实例化一个队列对象,参数可以设置队列的最大个数
item = {} # 创建一个空字典,存储队列
q.put_nowait(item) #不等待直接放,队列满的时候会报错
q.put(item) #放入数据,队列满的时候回等待
q.get_nowait() #不等待直接取,队列空的时候会报错
q.get() #取出数据,队列为空的时候会等待
q.qsize() #获取队列中现存数据的个数
q.join() #队列中维持了一个计数,计数不为0时候让主线程阻塞等待,队列计数为0的时候才会继续往后执行
q.task_done()
# put的时候计数+1,get不会-1,get需要和task_done 一起使用才会-1
多线程实现思路剖析
1. 把爬虫中的每个步骤封装成函数,分别用线程去执行
2. 不同的函数通过队列相互通信,函数间解耦
"""
@author:Rudy
@time : 12月4日
@message:多线程爬取糗事百科热门上的段子用户昵称
"""
import threading
import requests
from lxml import etree
from queue import Queue
import time
class QiuBai():
def __init__(self):
self.temp_url = "https://www.qiushibaike.com/8hr/page{}"
self.headers = {
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36"}
self.url_queue = Queue()
self.html_queue = Queue()
self.content_list_queue = Queue()
def get_url_list(self):
for i in range(1,14):
self.url_queue.put(self.temp_url.format(i))
def parse_url(self): # 不在接收参数,而是直接从url列表中取
while True:
url = self.url_queue.get()
response = requests.get(url, headers=self.headers)
print(response)
if response.status_code != 200:
self.url_queue.put(url)
# return response.content.decode() 取完之后不在返回
else:
self.html_queue.put(response.content.decode())
self.url_queue.task_done() # 让队列的计数减1
def get_content_list(self): # 提取数据
while True:
html_str = self.html_queue.get()
html = etree.HTML(html_str)
div_list = html.xpath("//div[@id='content-left']/div")
content_list = []
for div in div_list:
item = {}
item["user_name"] = div.xpath(".//h2/text()")
item["content"] = [i.strip() for i in div.xpath(".//div[@class='content']/span/text()")] # 列表推导式
content_list.append(item)
# return content_list
self.content_list_queue.put(content_list)
self.html_queue.task_done()
def save_content_list(self):
while True:
content_list = self.content_list_queue.get()
for content in content_list:
# print(content)
pass
self.content_list_queue.task_done()
def run(self): # 实现主要的逻辑
thread_list = []
# 1 准备URL列表
t_url = threading.Thread(target= self.get_url_list)
thread_list.append(t_url)
# 2 遍历发送请求,获取响应
for i in range(3): # 启动3个线程
t_parse = threading.Thread(target=self.parse_url)
thread_list.append(t_parse)
# 3 提取数据
t_content = threading.Thread(target=self.get_content_list)
thread_list.append(t_content)
# 4 保存
t_save = threading.Thread(target=self.save_content_list)
thread_list.append(t_save)
for t in thread_list: # 设置子线程守护线程
t.setDaemon(True)
t.start()
for q in [self.url_queue,self.content_list_queue,self.html_queue]:
q.join() # 让主线程阻塞,等待队列计数为0
if __name__ == '__main__':
t1 = time.time()
qiubai = QiuBai()
qiubai.run()
print("total cost:",time.time()-t1)