首頁 > 軟體

python利用多執行緒+佇列技術爬取中介網網際網路網站排行榜

2022-05-17 16:01:25

目標站點分析

本次要抓取的目標站點為:中介網,這個網站提供了網站排行榜、網際網路網站排行榜、中文網站排行榜等資料。

網站展示的樣本資料量是 :58341。

採集頁面地址為 https://www.zhongjie.com/top/rank_all_1.html

UI如下所示: 

 由於頁面存在一個【尾頁】超連結,所以直接通過該超連結獲取累計頁面即可。

其餘頁面遵循簡單分頁規則:

https://www.zhongjie.com/top/rank_all_1.html
https://www.zhongjie.com/top/rank_all_2.html

基於此,本次Python爬蟲的解決方案如下,頁面請求使用 requests 庫,頁面解析使用 lxml,多執行緒使用 threading 模組,佇列依舊採用 queue 模組。

編碼時間

在正式編碼前,先通過一張圖將邏輯進行梳理。

本爬蟲編寫步驟文字描述如下:

  • 預先請求第一頁,解析出總頁碼;
  • 通過生產者不斷獲取域名詳情頁地址,新增到佇列中;
  • 消費者函數從佇列獲取詳情頁地址,解析目標資料。

總頁碼的生成程式碼非常簡單

def get_total_page():
	# get_headers() 函數,可參考開原始碼分享資料
    res = requests.get(
        'https://www.zhongjie.com/top/rank_all_1.html', headers=get_headers(), timeout=5)
    element = etree.HTML(res.text)
    last_page = element.xpath("//a[@class='weiye']/@href")[0]
    pattern = re.compile('(d+)')
    page = pattern.search(last_page)
    return int(page.group(1))

總頁碼生成完畢,就可以進行多執行緒相關編碼,本案例未編寫儲存部分程式碼,留給你自行完成啦,

完整程式碼如下所示:

from queue import Queue
import time
import threading
import requests
from lxml import etree
import random
import re
def get_headers():
    uas = [
        "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)",
        "Mozilla/5.0 (compatible; Baiduspider-render/2.0; +http://www.baidu.com/search/spider.html)"
    ]
    ua = random.choice(uas)
    headers = {
        "user-agent": ua
    }
    return headers


def get_total_page():
    res = requests.get(
        'https://www.zhongjie.com/top/rank_all_1.html', headers=get_headers(), timeout=5)
    element = etree.HTML(res.text)
    last_page = element.xpath("//a[@class='weiye']/@href")[0]
    pattern = re.compile('(d+)')
    page = pattern.search(last_page)
    return int(page.group(1))
# 生產者
def producer():
    while True:
        # 取一個分類ID
        url = urls.get()
        urls.task_done()
        if url is None:
            break
        res = requests.get(url=url, headers=get_headers(), timeout=5)
        text = res.text
        element = etree.HTML(text)
        links = element.xpath('//a[@class="copyright_title"]/@href')
        for i in links:
            wait_list_urls.put("https://www.zhongjie.com" + i)
# 消費者
def consumer():
    while True:
        url = wait_list_urls.get()
        wait_list_urls.task_done()
        if url is None:
            break
        res = requests.get(url=url, headers=get_headers(), timeout=5)
        text = res.text
        element = etree.HTML(text)
		# 資料提取,更多資料提取,可自行編寫 xpath 
        title = element.xpath('//div[@class="info-head-l"]/h1/text()')
        link = element.xpath('//div[@class="info-head-l"]/p[1]/a/text()')
        description = element.xpath('//div[@class="info-head-l"]/p[2]/text()')
        print(title, link, description)
if __name__ == "__main__":
    # 初始化一個佇列
    urls = Queue(maxsize=0)
    last_page = get_total_page()
    for p in range(1, last_page + 1):
        urls.put(f"https://www.zhongjie.com/top/rank_all_{p}.html")
    wait_list_urls = Queue(maxsize=0)
    # 開啟2個生產者執行緒
    for p_in in range(1, 3):
        p = threading.Thread(target=producer)
        p.start()
    # 開啟2個消費者執行緒
    for p_in in range(1, 2):
        p = threading.Thread(target=consumer)
        p.start()

到此這篇關於python利用多執行緒+佇列技術爬取中介網網際網路網站排行榜的文章就介紹到這了,更多相關python爬取網站排行榜內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com!


IT145.com E-mail:sddin#qq.com