今天要实现的是《爬虫 120 例》中的第 28 例，采用的技术方案为多线程+队列。
目标站点分析
本次要抓取的目标站点为：中介网，这个网站提供了网站排行榜、互联网网站排行榜、中文网站排行榜等数据。
网站展示的样本数据量是 ：58341。
采集页面地址为 https://www.zhongjie.com/top/rank_all_1.html，UI 如下所示：
由于页面存在一个【尾页】超链接，所以直接通过该超链接获取累计页面即可。
其余页面遵循简单分页规则：
https://www.zhongjie.com/top/rank_all_1.htmlhttps://www.zhongjie.com/top/rank_all_2.html
复制代码
基于此，本次 Python 爬虫的解决方案如下，页面请求使用 requests 库，页面解析使用 lxml，多线程使用 threading 模块，队列依旧采用 queue 模块。
编码时间
在正式编码前，先通过一张图将逻辑进行梳理。
本爬虫编写步骤文字描述如下：
预先请求第一页，解析出总页码；
通过生产者不断获取域名详情页地址，添加到队列中；
消费者函数从队列获取详情页地址，解析目标数据。
总页码的生成代码非常简单
def get_total_page(): # get_headers() 函数，可参考开源代码分享数据 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))
复制代码
总页码生成完毕，就可以进行多线程相关编码，本案例未编写存储部分代码，留给你自行完成啦，完整代码如下所示：
from queue import Queueimport timeimport threadingimport requestsfrom lxml import etreeimport randomimport 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))
# 生产者def producer(): while True: # 取一个分类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)
# 消费者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) # 数据提取，更多数据提取，可自行编写 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__":
# 初始化一个队列 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) # 开启2个生产者线程 for p_in in range(1, 3): p = threading.Thread(target=producer) p.start()
# 开启2个消费者线程 for p_in in range(1, 2): p = threading.Thread(target=consumer) p.start()
复制代码
收藏时间
代码仓库地址：https://codechina.csdn.net/hihell/python120，去给个关注或者 Star 吧。
==数据没有采集完毕，想要的可以在评论区留言交流==
今天是持续写作的第 210 / 365 天。可以 关注 ， 点赞 、 评论 、 收藏 。
评论