Python使用xpath實現圖片爬取
阿新 • • 發佈:2020-09-17
高效能非同步爬蟲
目的:在爬蟲中使用非同步實現高效能的資料爬取操作
非同步爬蟲的方式:
- 多執行緒、多程序(不建議):
好處:可以為相關阻塞的操作單獨開啟多執行緒或程序,阻塞操作就可以非同步執行;
弊端:無法無限制的開啟多執行緒或多程序。
- 執行緒池、程序池(適當的使用):
好處:我們可以降低系統對程序或執行緒建立和銷燬的一個頻率,從而很好的降低系統的開銷;
弊端:池中執行緒或程序的資料是有上限的。
程式碼如下
# _*_ coding:utf-8 _*_ """ @FileName :6.4k圖片解析爬取(非同步高效能測試).py @CreateTime :2020/8/14 0014 10:01 @Author : Lurker Zhang @E-mail : [email protected] @Desc. : """ import requests from lxml import etree from setting.config import * import json import os import time from multiprocessing.dummy import Pool def main(): # 圖片採集源地址 # source_url = 'http://pic.netbian.com/4kmeinv/' # temp_url = 'http://pic.netbian.com/4kmeinv/index_{}.html' # source_url = 'http://pic.netbian.com/4kdongman/' # temp_url = 'http://pic.netbian.com/4kdongman/index_{}.html' source_url = 'http://pic.netbian.com/4kmingxing/' temp_url = 'http://pic.netbian.com/4kmingxing/index_{}.html' # 本此採集前多少頁,大於1的整數 page_sum = 136 all_pic_list_url = [] if page_sum == 1: pic_list_url = source_url print('開始下載:' + pic_list_url) all_pic_list_url.append(pic_list_url) else: # 先採集第一頁 pic_list_url = source_url # 呼叫採集單頁圖片連結的函式 all_pic_list_url.append(pic_list_url) # 再採集第二頁開始後面的頁數 for page_num in range(2,page_sum + 1): pic_list_url = temp_url.format(page_num) all_pic_list_url.append(pic_list_url) # 單頁圖片多執行緒解析 pool1 = Pool(10) pool1.map(down_pic,all_pic_list_url) print('採集完成,本地成功下載{0}張圖片,失敗{1}張圖片。'.format(total_success,total_fail)) # 儲存已下載檔名列表: with open("../depository/mingxing/pic_name_list.json",'w',encoding='utf-8') as fp: json.dump(pic_name_list,fp) def down_pic(pic_list_url): print("準備解析圖片列表頁:",pic_list_url) # 獲取圖片列表頁的網頁資料 pic_list_page_text = requests.get(url=pic_list_url,headers=headers).text tree_1 = etree.HTML(pic_list_page_text) # 獲取圖片地址列表 pic_show_url_list = tree_1.xpath('//div[@class="slist"]/ul//a/@href') pic_url_list = [get_pic_url('http://pic.netbian.com' + pic_show_url) for pic_show_url in pic_show_url_list] # 開始下載並儲存圖片(多執行緒) pool2 = Pool(5) pool2.map(save_pic,pic_url_list) def save_pic(pic_url): print("準備下載圖片:",pic_url) global total_success,total_fail,pic_name_list,path picname = get_pic_name(pic_url) if not picname in pic_name_list: # 獲取日期作為儲存位置資料夾 pic = requests.get(url=pic_url,headers=headers).content try: with open(path + picname,'wb') as fp: fp.write(pic) except IOError: print(picname + "儲存失敗") total_fail += 1 else: pic_name_list.append(picname) total_success += 1 print("成功儲存圖片:{0},共成功採集{1}張。".format(picname,total_success)) else: print("跳過,已下載過圖片:" + picname) total_fail += 1 def get_pic_name(pic_url): return pic_url.split('/')[-1] def get_pic_url(pic_show_url): tree = etree.HTML(requests.get(url=pic_show_url,headers=headers).text) return 'http://pic.netbian.com/' + tree.xpath('//div[@class="photo-pic"]/a/img/@src')[0] if __name__ == '__main__': # 讀入已採集圖片的名稱庫,名稱存在重複的表示已經採集過將跳過不採集 if not os.path.exists('../depository/mingxing/pic_name_list.json'): with open("../depository/mingxing/pic_name_list.json",encoding="utf-8") as fp: json.dump([],fp) with open("../depository/mingxing/pic_name_list.json","r",encoding="utf-8") as fp: pic_name_list = json.load(fp) path = '../depository/mingxing/' + time.strftime('%Y%m%d',time.localtime()) + '/' if not os.path.exists(path): os.mkdir(path) # 記錄本次採集圖片的數量 total_success = 0 total_fail = 0 main()
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支援我們。