數據挖掘_多線程抓取

来源:https://www.cnblogs.com/susmote/archive/2018/04/30/8973047.html
-Advertisement-
Play Games

在這一篇文章中,我們主要來介紹多線程抓取數據。 多線程是以併發的方式執行的,在這裡要註意,Python的多線程程式只能運行在一個單核上以併發的方式運行,即便是多核的機器,所以說,使用多線程抓取可以極大地提高抓取效率 下麵我們以requests為例介紹多線程抓取,然後在通過與單線程程式比較,體會多線程 ...


在這一篇文章中,我們主要來介紹多線程抓取數據。

 

多線程是以併發的方式執行的,在這裡要註意,Python的多線程程式只能運行在一個單核上以併發的方式運行,即便是多核的機器,所以說,使用多線程抓取可以極大地提高抓取效率

 

下麵我們以requests為例介紹多線程抓取,然後在通過與單線程程式比較,體會多線程的效率的提高

 

這一次,我就不用我的網站做測試了,因為網站的內容此時還並不是太多,不能體現多線程的優勢

 

我們通過噹噹網來測試我們的多線程實例,通過對搜索結果的同一抓取實現功能的演示,搜索模式地址如下

http://search.dangdang.com/?key=Python&act=input&page_index=1

 可以看到key代表的是搜索關鍵字,act代表你是通過什麼方式搜索的,page_index代表的是搜索頁面的頁碼

 

在抓取到上面的頁碼後,要對裡面的信息進行提取,最後將提取的信息保存在文本文件中,文件中保存每一本書的書名,以及他的鏈接

 

下麵我們定義抓取實驗所需要的方法(或函數)

# coding=utf-8
__Author__ = "susmote"

import requests
from bs4 import BeautifulSoup


def format_str(s):
    return s.replace("\n", "").replace(" ", "").replace("\t", "")

def get_urls_in_pages(from_page_num, to_page_num):
    urls = []
    search_word = "python"
    url_part_1 = "http://search.dangdang.com/?key="
    url_part_2 = "&act=input"
    url_part_3 = "&page_index="
    for i in range(from_page_num, to_page_num + 1):
        urls.append(url_part_1 + search_word + url_part_2 + url_part_3 + str(i))
    all_href_list = []
    for url in urls:
        print(url)
        resp = requests.get(url)
        bs = BeautifulSoup(resp.text, "lxml")
        a_list = bs.find_all("a")
        needed_list = []
        for a in a_list:
            if 'name' in a.attrs:
                name_val = a['name']
                href_val = a['href']
                title = a.text
                if 'itemlist-title' in name_val and title != "":
                    if [title, href_val] not in needed_list:
                        needed_list.append([format_str(title), format_str(href_val)])
        all_href_list += needed_list
    all_href_file = open(str(from_page_num) + '_' + str(to_page_num) + '_' + 'all_hrefs.txt', 'w')
    for href in all_href_list:
        all_href_file.write('\t'.join(href) + '\n')
    all_href_file.close()
    print(from_page_num, to_page_num, len(all_href_list))

  下麵我們來解釋一下這些代碼

首先,format_str是用來在提取信息後去掉多餘的空白

而get_url_in_pages方法是執行功能的主體,這個方法接收的參數是指頁碼的範圍,函數體中,urls主要用來存放基於兩個參數所生成的所有要抓取的頁面的鏈接,我把url分為3個部分,也是為了方便之後對鏈接的組合,然後的for迴圈就是做的是拼接的工作,這裡我不多做解釋了,如果不懂,請留言

下一步,我們定義了一個列表all_href_list ,這個列表是用來存儲每頁中包含圖書信息的,實際上它又是一個嵌套的列表,裡面的元素是[書名, 鏈接],他的形式如下所示

all_href_list = [
    ['書名1', "鏈接1"],
    ['書名2', "鏈接2"],
    ['書名3', "鏈接3"],
    ......
]

 

後面的代碼就是對滅一頁進行抓取和提取信息了,這部分的代碼都在for url in urls這個迴圈體中,首先列印鏈接,然後調用requs的get方法,獲取頁面,之後又使用BeautifulSoup將get請求放回的HTML文本進行分析,轉為BeautifulSoup能夠處理的結構,命名為bs

之後我們定義的needed_list是用來存放書名和鏈接的,bs.find_all('a')抽取了頁面中所有的鏈接元素,for a in a_list 對每一個列表中的元素進行遍歷分析,在這之前,我們通過瀏覽器發現了他的結構

每個書籍元素中都會有一個屬性name,值為"itemlist_title",通過這個我們很容易的就篩選出了書籍元素,然後將書籍信息,以及鏈接元素href一同存入列表,在存之前,我們還做了一些判斷,是否已經存在這個鏈接了,和這個元素的鏈接為空

每抽取完一個頁面的鏈接後,就可以把它加入到all_href_list中,也就是下麵這行代碼

all_href_list += needed_list

  註意我在這裡使用的是 += 運算符

獲取到範圍內所有的鏈接元素後,就可以寫入文件了,在這裡我不做過多解釋了

 

然後我們下一步就是定義多線程了,因為我們搜索關鍵詞總的頁數是32頁

 

所以我們在這裡準備用3個線程來完成這些任務,也就是每個線程處理10個頁面,在單線程的情況下,這30頁用一個線程單獨完成

下麵我們給出抓取方案的代碼

# coding=utf-8
__Author__ = "susmote"

import time
import threading
from mining_func import get_urls_in_pages

def multiple_threads_test():
    start_time = time.time()
    page_range_list = [
        (1, 10),
        (11, 20),
        (21, 32),
    ]
    
    th_list = []
    for page_range in page_range_list:
        th = threading.Thread(target = get_urls_in_pages, args = (page_range[0], page_range[1]))
        th_list.append(th)
    
    for th in th_list:
        th.start()
        
    for th in th_list:
        th.join()
        
    end_time = time.time()
    print("共使用時間1:", end_time - start_time)
    return end_time - start_time

  

簡單解釋一下,為了獲取運行的時間,我們定義了一個開始時間start_time 和 一個結束時間end_time,運行時間也就是結束時間減去開始時間

然後定義的一個列表page_range_list也就是把頁碼分為三段,前面有提到過

之後又定義了一個列表th_list也就是存儲所有線程對象的列表,之後通過一個迴圈,生成了3個線程對象,分別對應著不同的頁碼範圍,把他們存入列表

然後在後面的迴圈中,分別執行th.start(),開啟線程,在後面,我們為了使這些非同步併發執行的線程都執行完畢後再退出函數,這裡使用了線程的join方法,等待各線程執行完畢

 

下麵就是最激動人心的時候了,對代碼進行測試

在這裡,我們寫下如下代碼

# coding=utf-8
__Author__ = "susmote"

from mining_threading import multiple_threads_test

if __name__ == "__main__":
    mt = multiple_threads_test()
    print('mt', mt)

  

為了使測試結果更加精確,我們進行三次實驗,取平均時間 

第一次實驗

使用時間6.651

第二次實驗

 

使用時間6.876

第三次實驗

 

使用時間6.960

 

平均時間如下

6.829

 

下麵是單進程代碼

# coding=utf-8
__Author__ = "susmote"

import time
from mining_func import get_urls_in_pages


def sigle_test():
    start_time = time.time()
    get_urls_in_pages(1, 32)
    end_time = time.time()
    print("共使用時間 : ", end_time - start_time)
    return end_time - start_time 

  

調用函數如下

# coding=utf-8
__Author__ = "susmote"

from single_mining import single_test


if __name__ == "__main__":
    st = single_test()
    print('st ', st) 

  

在命令行下執行

 

第一次

10.138

 

第二次

10.290

 

第三次

10.087

 

平均花費時間

10.171

 

所以說,多線程的確能夠提高抓取的效率,註意,這是在數據比較少的情況進行的,如果數據量比較大的話,多線程的優勢就很明顯了

你可以自己去更改搜索關鍵詞,和頁碼,或是重新找一個網頁(抓取跟網速也有很大的關係)

 

附幾張抓取數據的圖

 

 


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 之前說過Python的多線程只能運行在一個單核上,也就是各線程是以併發的方式非同步執行的 這篇文章我們來聊聊Python多進程的方式 多進程依賴於所在機器的處理器個數,在多核機器上進行多進程編程時,各核上運行的進程之間是並行執行的,可以利用進程池,是每一個內核上運行一個進程,當翅中的進程數量大於內核總 ...
  • 2018-04-30 21:34:29 ...
  • 查看已有的資料庫: 新建資料庫語句: 要對某個資料庫進行操作時首先要選中這個資料庫,使用use <dbname>: 創建表格: 命令:create table <表名> ( <屬性名 屬性類型 [修飾]> ); 刪除表格: 命令:drop table <表名>; 查看資料庫中有哪些表格: 更改外鍵約 ...
  • 最近測試MySQL 5.7.21 Community Server這個版本的MySQL資料庫時,發現其錯誤日誌的時間跟系統當前時間不一致,後面檢查發現日期時間格式都是UTC時間,查了一下相關資料,原來在MySQL 5.7.2 之後日誌文件裡面的時間戳從預設的本地系統時區改為了UTC格式。MySQL ... ...
  • 比如想要生成類似如下的表格 第一種直接生成: 第二種先創建一個表格: 首先查看各個表格的結構: 再對錶格進行創建並插入數據: 2018-04-30 ...
  • 首先在https://hub.docker.com查找mariadb官方鏡像,相關參數設置https://hub.docker.com/_/mariadb/有詳細說明 [client] default-character-set=utf8 [mysql] default-character-set= ...
  • 安裝MongoDB之前,首先要下載MongoDB軟體安裝包, MongoDB社區版官網下載地址:https://www.mongodb.com/download-center?jmp=nav#community 下載後,雙擊msi安裝文件進行安裝,點擊"Next">> 勾選同意相關協議規定,點擊"N ...
  • 在介紹這個參數前,我們先聊聊參數log_warnings。我們知道MySQL中,其中log_error是定義是否啟用錯誤日誌的功能和錯誤日誌的存儲位置,log_warnings是定義是否將告警信息(warning messages)也寫入錯誤日誌。此選項預設啟用,具體來說: log_warnings... ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...