21天打造分散式爬蟲-多線程下載表情包(五)

来源:https://www.cnblogs.com/derek1184405959/archive/2018/08/03/9411073.html
-Advertisement-
Play Games

5.1.threading模塊 簡單使用 5.2.生產者和消費者 Lock模式的生產者和消費者 5.3.下載表情包 網址:http://www.doutula.com/photo/list/?page=1 解析:xpath 不用多線程,速度相對會很慢 利用多線程 main() 定義兩個隊列,和創建多 ...


5.1.threading模塊

簡單使用

import threading,time

def coding():
    for x in range(3):
        print('正在寫代碼%s'%x)
        time.sleep(2)

def drawing():
    for x in range(3):
        print('正在畫畫%s'%x)
        time.sleep(2)

def main():
    t1 = threading.Thread(target=coding)
    t2 = threading.Thread(target=drawing)
    t1.start()
    t2.start()

if __name__ == '__main__':
    main()

5.2.生產者和消費者

Lock模式的生產者和消費者

import threading
import random,time

gMoney = 1000
gLock = threading.Lock()
gTotalTimes = 10
gTimes = 0


class Producer(threading.Thread):
    def run(self):
        global gMoney
        global gTimes
        while True:
            money = random.randint(100,1000)
            gLock.acquire()
            #只生產10次,超過就停止,必須把鎖給釋放掉,否則產生死鎖
            if gTimes >= gTotalTimes:
                gLock.release()
                break
            gMoney += money
            print('%s生產了%d元錢,剩餘%d元錢' % (threading.current_thread(), money, gMoney))
            #生產一次,次數加1,總共10次
            gTimes += 1
            gLock.release()
            time.sleep(0.5)


class Consumer(threading.Thread):
    def run(self):
        global gMoney
        while True:
            money = random.randint(100,1000)
            gLock.acquire()
            if gMoney >= money:
                gMoney -= money
                print('%s消費了%d元錢,剩餘%d元錢' % (threading.current_thread(), money,gMoney))
            else:
                if gTimes >= gTotalTimes:
                    gLock.release()
                    break
            gLock.release()
            time.sleep(0.5)


def main():
    for x in range(5):
        t1 = Producer()
        t1.start()

    for x in range(2):
        t2 = Consumer()
        t2.start()

if __name__ == '__main__':
    main()

5.3.下載表情包

網址:http://www.doutula.com/photo/list/?page=1

解析:xpath

不用多線程,速度相對會很慢

import requests
from lxml import etree
from urllib import request
import os
import re

def parse_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36',
        'Referer': 'https://movie.douban.com/'
    }
    response = requests.get(url,headers=headers)
    text = response.text
    html = etree.HTML(text)
    imgs = html.xpath("//div[@class='page-content text-center']//img[@class!='gif']")
    for img in imgs:
        # print(etree.tostring(img))
        #圖片地址
        img_url = img.get('data-original')
        #圖片名字
        alt = img.get('alt')
        #替換掉名字裡面的特殊字元
        alt = re.sub(r'[\??\.,。!!\*]','',alt)
        #獲取圖片的尾碼名(.gif .jpg)
        suffix = os.path.splitext(img_url)[1]
        #保存的時候完整的圖片名字
        filename = alt + suffix
        request.urlretrieve(img_url,'C:/Users/Administrator/Desktop/images/'+filename)

def main():
    for x in range(1,10):
        url = 'http://www.doutula.com/photo/list/?page=%d'%x
        parse_page(url)

if __name__ == '__main__':
    main()

利用多線程

 main()

  • 定義兩個隊列,和創建多線程
  • page_queue():存放每一頁的url
  • img_queue():存放每一頁裡面所有的表情的url

Producer()

  • 從page_queue()隊列中去每一頁的url,直到隊列為空則break
  • 用xpath提取出每一頁的所有圖片的url
  • 把每個圖片的url和名字存放到img_queue()隊列裡面

Consumer()

  • 從img_queue()隊列中取出圖片的url和名字
  • 下載保存
  • 直到page_queue()和img_queue()兩個隊列都為空則break

代碼

import requests
from lxml import etree
from urllib import request
import os
import re
import threading
from queue import Queue

class Producer(threading.Thread):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36',
        'Referer': 'https://movie.douban.com/'
    }

    def __init__(self, page_queue, img_queue, *args, **kwargs):
        super(Producer, self).__init__(*args, **kwargs)
        self.page_queue = page_queue
        self.img_queue = img_queue

    def run(self):
        while True:
            if self.page_queue.empty():
                break
            url = self.page_queue.get()
            self.parse_page(url)

    def parse_page(self,url):
        response = requests.get(url,headers=self.headers)
        text = response.text
        html = etree.HTML(text)
        imgs = html.xpath("//div[@class='page-content text-center']//img[@class!='gif']")
        for img in imgs:
            # print(etree.tostring(img))
            #圖片地址
            img_url = img.get('data-original')
            #圖片名字
            alt = img.get('alt')
            #替換掉名字裡面的特殊字元
            alt = re.sub(r'[\??\.,。!!\*]','',alt)
            #獲取圖片的尾碼名(.gif .jpg)
            suffix = os.path.splitext(img_url)[1]
            #保存的時候完整的圖片名字
            filename = alt + suffix
            self.img_queue.put((img_url,filename))


class Consumer(threading.Thread):
    def __init__(self,page_queue,img_queue,*args,**kwargs):
        super(Consumer, self).__init__(*args,**kwargs)
        self.page_queue = page_queue
        self.img_queue = img_queue

    def run(self):
        while True:
            if self.img_queue.empty() and self.page_queue.empty():
                break
            img_url,filename = self.img_queue.get()
            request.urlretrieve(img_url, 'C:/Users/Administrator/Desktop/images/' + filename)
            print("已下載完一張圖片")


def main():
    page_queue = Queue(1000)
    img_queue = Queue(10000)

    for x in range(1,1758):
        url = 'http://www.doutula.com/photo/list/?page=%d'%x
        page_queue.put(url)

    for x in range(10):
        t = Producer(page_queue,img_queue)
        t.start()

    for x in range(10):
        t = Consumer(page_queue,img_queue)
        t.start()

if __name__ == '__main__':
    main()

結果:

 


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 很多時候我們需要引入框架來開發項目,這時我們可能會遇到頁面還沒載入完源碼出來了的問題,給用戶一種不好的視覺體驗,這是便需要loading載入了,來完善用戶體驗! ...
  • 工廠方法模式 概要 1. 一個抽象產品類 2. 多個具體產品類 3. 一個抽象工廠 4. 多個具體工廠 每一個具體產品對應一個具體工廠 5. 符合 "OCP開放封閉原則" 優點 1. 降低了代碼耦合度,對象的生成交給子類去完成 2. 實現了開放封閉原則 每次添加子產品 不需要修改原有代碼 缺點 1. ...
  • 前言: spring 的環繞通知和前置通知,後置通知有著很大的區別,主要有兩個重要的區別: 1) 目標方法的調用由環繞通知決定,即你可以決定是否調用目標方法,而前置和後置通知 是不能決定的,他們只是在方法的調用前後執行通知而已,即目標方法肯定是要執行的。 2) 環繞通知可以控制返回對象,即你可以返回 ...
  • 有以下3種方式發送RocketMQ消息 可靠同步發送 reliable synchronous 可靠非同步發送 reliable asynchronous 單向發送 one-way transmission 可靠同步發送 主要運用在比較重要一點消息傳遞/通知等業務 可靠非同步發送 通常用於對發送消息響應 ...
  • what the f**k!!這個知識點學不好的最大元凶就是,我還單身??? python基礎(四): 面向對象的三個特點: 封裝,繼承,多態 類: 對象是面向對象編程的核心,在使用對象的過程中,為了將具有共同特征和行為的一組對象抽象定義,提出了另外一個新的概念——類 類就相當於製造飛機時的圖紙,用 ...
  • System中代表程式所在系統,提供了對應的一些系統屬性信息,和系統操作。System類不能手動創建對象,因為構造方法被private修飾,阻止外界創建對象。System類中的都是static方法,類名訪問即可。 常用方法: l currentTimeMillis() 獲取當前系統時間與1970年0 ...
  • 一、JDBC JAVA Database Connectivity java 資料庫連接. JDBC(Java DataBase Connectivity,java資料庫連接)是一種用於執行SQL語句的Java API,可以為多種關係資料庫提供統一訪問,它由一組用Java語言編寫的類和介面組成。JD ...
  • 1.變數;2. 字元編碼;3.分支語句;4.註釋;5.字元串的輸出;6.運算符 ...
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 ...