Python3多线程处理爬虫的实战

2023-03-02 20:03:54 爬虫 多线程 实战

多线程

到底什么是多线程?说起多线程我们首先从单线程来说。例如,我在这里看书,等这件事情干完,我就再去听音乐。对于这两件事情来说都是属于单线程,是一个完成了再接着完成下一个。但是我一般看书一边听歌,同时进行,这个就属于多线程了。

爬虫过程中,如果只使用单线程进行爬取,效率会比较低下,因此多线程的爬虫处理方式更为常用。python3提供了threading模块来支持多线程编程,以下是使用python3多线程处理爬虫的一般步骤:

导入依赖模块

import threading
import requests
from queue import Queue

构建爬虫类

class Spider:
    def __init__(self):
        self.urls = Queue()  # 待爬取的链接队列
        self.results = []  # 存储爬取结果的列表
        self.lock = threading.Lock()  # 线程
        self.headers = {'User-Agent': 'Mozilla/5.0 (windows NT 10.0; Win64; x64) AppleWEBKit/537.36 (Khtml, like Gecko) Chrome/58.0.3029.110 Safari/537.3'}
 
    # 获取链接列表
    def get_urls(self):
        # 这里可以从文件、数据库、网页等方式获取待爬取的链接
        # 这里以一个示例链接列表作为例子
        urls = ['<https://www.example.com/page1>', '<Https://www.example.com/page2>', '<https://www.example.com/page3>']
        for url in urls:
            self.urls.put(url)
 
    # 爬取页面并处理结果
    def crawl(self):
        while not self.urls.empty():
            url = self.urls.get()
            try:
                response = requests.get(url, headers=self.headers)
                # 这里可以对response进行解析,获取需要的信息
                # 这里以抓取页面title作为例子
                title = response.text.split('<title>')[1].split('</title>')[0]
                self.results.append(title)
            except Exception as e:
                print(e)
            finally:
                self.urls.task_done()
 
    # 启动多线程爬虫
    def run(self, thread_num=10):
        self.get_urls()
        for i in range(thread_num):
            t = threading.Thread(target=self.crawl)
            t.start()
        self.urls.join()
 
        # 将结果写入文件或者数据库
        with self.lock:
            with open('result.txt', 'a') as f:
                for result in self.results:
                    f.write(result + '\\n')

到此这篇关于Python3多线程处理爬虫的实战的文章就介绍到这了,更多相关Python3多线程爬虫内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持!

相关文章