手记

百度贴吧 | 通用抓图脚本

多进程优势:单个进程的崩溃,不会影响其它进程
随之而来的问题是,进程之间,资源不共享,信息不共享,所以进程通讯的问题,是实现多进程协作,必须解决的问题

为解决进程间的通讯,人们常用的方法是 --> 创建一个中间人(队列),作为他们交流的中介...

以爬取某贴吧帖子中的所有图片为例:

大致需要四步

一. 获取所有的 帖子的目录

二. 根据帖子的目录,获取 帖子详情页

三. 根据 帖子详情页 的源码,获取内嵌的 图片url信息

四. 根据 图片url信息,下载图片到本地

通信图

动图_脚本运行效果

运行中

from multiprocessing import Process, Queue
import time
from time import sleep
import requests
from lxml import etree
import os, sys
import reclass BaiduTb(object):
    def __init__(self, tb_name):        self.start_url = "https://tieba.baidu.com/f?ie=utf-8&kw=" + tb_name        self.q_list = Queue()        self.q_detail = Queue()        self.q_image = Queue()        self.headers = {            "User-Agent": "Mozilla/4.0 (compatible; MSIE 5.01; Windows NT 5.0) "
        }        self.p1 = None        self.p2 = None        self.p3 = None        self.p4 = None    # 获取响应内容
    def get_response_content(self, url):
        response = requests.get(url, headers = self.headers)
        print("-->",response)        return response.content    # 获取下一个网页url
    def get_next_url(self, now_url):
        content = self.get_response_content(now_url)        # 将响应信息转换为element对象
        html = etree.HTML(content)        # 通过xpath获取下一页的链接
        next_url = "http:" + html.xpath('//a[@class="next pagination-item "]/@href')[0]        return next_url    def get_list_page_urls(self, q_list):        while True:
            try:
                sleep(1)
                q_list.put(self.start_url)                self.start_url = self.get_next_url(self.start_url)            except:
                print("主程序..")    def get_detail_page_urls(self, q_list, q_detail):        while True:
            sleep(1)            try:
                if not q_list.empty():
                    list_url = q_list.get(True)                else:
                    continue            except:
                print("第二进程已完成..")

            content = self.get_response_content(list_url)            # 将响应信息转换为element对象
            html = etree.HTML(content)            # 获取 标题 和url 列表
            detail_titles_list = html.xpath('//*[@id="thread_list"]//div/div[2]/div[1]/div[1]/a/text()')
            detail_urls_list = html.xpath('//*[@id="thread_list"]//div/div[2]/div[1]/div[1]/a/@href')            # 将"标题"和 url 增加到 详情页队列中
            for i in range(len(detail_titles_list)):
                detail_title = detail_titles_list[i]
                detail_url = "https://tieba.baidu.com" + detail_urls_list[i]
                temp_tuple = (detail_title, detail_url)
                q_detail.put(temp_tuple)    def get_image_urls (self, q_detail, q_image):        while True:
            sleep(3)            try:
                detail = q_detail.get()
                detail_title = detail[0]
                detail_url = detail[1]
            except Exception as e:
                print("第三进程已完成")            # 获取详情页所有图片的url
            content = self.get_response_content(detail_url)            # 将响应信息转换为element对象
            html = etree.HTML(content)            # 通过xpath获取下一页的链接
            image_urls = html.xpath('//cc//img/@src')            for i in range(len(image_urls)):
                image_url = image_urls[i]
                temp_image_info = (detail_title, image_url)
                q_image.put(temp_image_info)    def save_image(self, q_image):        while True:
            sleep(3)            try:
                if not q_image.empty():
                    image_info = q_image.get()
                    image_name = re.match(r".*(.{10})", image_info[1]).group(1)
                    print("图片名称为:", image_name, "图片地址为:", image_info[1], "帖子标题为:", image_info[0])                    # 尝试根据帖子名称,创建新文件夹
                    try:
                        os.mkdir("./%s"%(image_info[0]))                    except:
                        pass
                    new_file_path = "./%s/%s"%(image_info[0],image_name)
                    with open(new_file_path, "wb") as f:
                        data = self.get_response_content(image_info[1])
                        f.write(data)                    if (self.q_list.empty()) and (self.q_detail.empty()) and (self.q_image.empty()):
                        exit()            except:
                print("第四进程已完成")    def run(self):
        print("开始执行")        self.p1 = Process(target = self.get_list_page_urls, args=(self.q_list,))        self.p2 = Process(target = self.get_detail_page_urls, args=(self.q_list, self.q_detail,))   
        self.p3 = Process(target = self.get_image_urls, args=(self.q_detail, self.q_image,))        self.p4 = Process(target = self.save_image, args=(self.q_image,))        self.p1.start()        self.p2.start()        self.p3.start()        self.p4.start()        self.p1.join()        self.p2.join()        self.p3.join()        self.p4.join()def main():
    name = input("请输入贴吧名称:")
    beautiful_girl = BaiduTb(name)
    beautiful_girl.run()if __name__ == '__main__':
    main()

多进程和和多线程哪个更好用?
追求资源利用率,考虑多线程
追求程序稳定性,考虑多进程

搞专业爬虫的话,先保证网速够好,再考虑多进程还是多线程~





0人推荐
随时随地看视频
慕课网APP