Python爬蟲利用多執行緒爬取 LOL 高清桌布

2022-06-13 22:00:13

頁面分析

目標網站：英雄聯盟

官網介面如圖所示，顯而易見，一個小圖表示一個英雄，我們的目的是爬取每一個英雄的所有面板圖片，全部下載下來並儲存到本地。

次級頁面

上面的頁面我們稱為主頁面，次級頁面也就是每一個英雄對應的頁面，就以黑暗之女為例，它的次級頁面如下所示：

我們可以看到有很多的小圖，每一張小圖對應一個面板，通過 network 檢視面板資料介面，如下圖所示：

我們知道了面板資訊是一個 json 格式的字串進行傳輸的，那麼我們只要找到每個英雄對應的 id，找到對應的 json 檔案，提取需要的資料就能得到高清面板桌布。

然後這裡黑暗之女的 json 的檔案地址是：

hero_one = 'https://game.gtimg.cn/images/lol/act/img/js/hero/1.js'

這裡其實規律也非常簡單，每個英雄的面板資料的地址是這樣的：

url = 'https://game.gtimg.cn/images/lol/act/img/js/hero/{}.js'.format(id)

那麼問題來了 id 的規律是怎麼樣的呢？這裡英雄的 id 需要在首頁檢視，如下所示：

我們可以看到兩個列表[0,99]，[100,156]，即 156 個英雄，但是 heroId 卻一直到了 240….，由此可見，它是有一定的變化規律的，並不是依次加一，所以要爬取全部英雄面板圖片，需要先拿到全部的heroId。

抓取思路

為什麼使用多執行緒，這裡解釋一下，我們在爬取圖片，視訊這種資料的時候，因為需要儲存到本地，所以會使用大量的檔案的讀取和寫入操作，也就是 IO 操作，試想一下如果我們進行同步請求操作；

那麼在第一次請求完成一直到檔案儲存到本地，才會進行第二次請求，那麼這樣效率非常低下，如果使用多執行緒進行非同步操作，效率會大大提升。

所以必然要使用多執行緒或者是多程序，然後把這麼多的資料佇列丟給執行緒池或者程序池去處理；

在 Python 中，multiprocessing Pool 程序池，multiprocessing.dummy 非常好用。

multiprocessing.dummy模組：dummy模組是多執行緒；
multiprocessing模組：multiprocessing是多程序；

multiprocessing.dummy模組與multiprocessing模組兩者的 api 都是通用的，程式碼的切換使用上比較靈活；

我們首先在一個測試的 demo.py 檔案抓取英雄 id，這裡的程式碼我已經寫好了，得到一個儲存英雄 id 的列表，直接在主檔案裡使用即可；

demo.py

url = 'https://game.gtimg.cn/images/lol/act/img/js/heroList/hero_list.js'
res = requests.get(url,headers=headers)
res = res.content.decode('utf-8')
res_dict = json.loads(res)
heros = res_dict["hero"] # 156個hero資訊
idList = []
for hero in heros:
    hero_id = hero["heroId"]
    idList.append(hero_id)
print(idList)

得到 idList 如下所示：

idlist = [1,2,3,….,875,876,877] # 中間的英雄 id 這裡不做展示

構建的 url：

page = 'http://www.bizhi88.com/s/470/{}.html'.format(i)

這裡的 i 表示 id，進行 url 的動態構建；

那麼我們客製化兩個函數一個用於爬取並且解析頁面（spider），一個用於下載資料 (download)，開啟執行緒池，使用 for 迴圈構建儲存英雄面板 json 資料的 url，儲存在列表中，作為 url 佇列，使用 pool.map() 方法執行 spider (爬蟲)函數；

def map(self, fn, *iterables, timeout=None, chunksize=1):
    """Returns an iterator equivalent to map(fn, iter)」「」
# 這裡我們的使用是：pool.map(spider,page) # spider:爬蟲函數；page:url佇列

作用：將列表中的每個元素提取出來當作函數的引數，建立一個個程序，放進程序池中；

引數1：要執行的函數；

引數2：迭代器，將迭代器中的數位作為引數依次傳入函數中；

json資料解析

這裡我們就以黑暗之女的面板的 json 檔案做展示進行解析，我們需要獲取的內容有：

1.name
2.skin_name
3.mainImg

因為我們發現 heroName 是一樣的，所以把英雄名作為該英雄的面板資料夾名，這樣便於檢視儲存；

item = {}
item['name'] = hero["heroName"]
item['skin_name'] = hero["name"]
if hero["mainImg"] == '':
   continue
item['imgLink'] = hero["mainImg"]

有一個注意點:

有的 mainImg 標籤是空的，所以我們需要跳過，否則如果是空的連結，請求時會報錯；

資料採集

匯入相關第三方庫

import requests # 請求
from multiprocessing.dummy import Pool as ThreadPool # 並行
import time # 效率
import os # 檔案操作
import json # 解析

頁面資料解析

def spider(url):
    res = requests.get(url, headers=headers)
    result = res.content.decode('utf-8')
    res_dict = json.loads(result)
    skins = res_dict["skins"]  # 15個hero資訊
    print(len(skins))
    for index,hero in enumerate(skins): # 這裡使用到enumerate獲取下標,以便檔案圖片命名;
        item = {} # 字典物件
        item['name'] = hero["heroName"]
        item['skin_name'] = hero["name"]

        if hero["mainImg"] == '':
            continue
        item['imgLink'] = hero["mainImg"]
        print(item)
        download(index+1,item)

download 下載圖片

def download(index,contdict):
    name = contdict['name']
    path = "面板/" + name
    if not os.path.exists(path):
        os.makedirs(path)
    content = requests.get(contdict['imgLink'], headers=headers).content
    with open('./面板/' + name + '/' + contdict['skin_name'] + str(index) + '.jpg', 'wb') as f:
        f.write(content)

這裡我們使用 OS 模組建立資料夾，前面我們有說到，每個英雄的 heroName 的值是一樣的，藉此建立資料夾並命名，方便面板的儲存（歸類），然後就是這裡圖片檔案的路徑需要仔細，少一個斜槓就會報錯。

main() 主函數

def main():
    pool = ThreadPool(6)
    page = []
    for i in range(1,21):
        newpage = 'https://game.gtimg.cn/images/lol/act/img/js/hero/{}.js'.format(i)
        print(newpage)
        page.append(newpage)
    result = pool.map(spider, page)
    pool.close()
    pool.join()
    end = time.time()

說明：

在主函數裡我們首選建立了六個執行緒池；
通過 for 迴圈動態構建 20 條 url,我們小試牛刀一下，20 個英雄面板，如果爬取全部可以對之前的 idList 遍歷，再動態構建 url；
使用 map() 函數對執行緒池中的 url 進行資料解析儲存操作；
當執行緒池 close 的時候並未關閉執行緒池，只是會把狀態改為不可再插入元素的狀態；

程式執行

if __name__ == '__main__':
    main()

結果如下：

當然了這裡只是擷取了部分影象，總共爬取了 200+ 張圖片，總體來說還是可以。

總結

本次我們使用了多執行緒爬取了英雄聯盟官網英雄面板高清桌布，因為圖片涉及到 IO 操作，我們使用並行方式進行，大大提高了程式的執行效率。

到此這篇關於Python爬蟲利用多執行緒爬取 LOL 高清桌布的文章就介紹到這了,更多相關Python 爬取桌布內容請搜尋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！

Python爬蟲利用多執行緒爬取 LOL 高清桌布

目錄

頁面分析

抓取思路

資料採集

程式執行

總結

熱門文章