一、背景介绍
大家好，我是皮皮。对于不同的数据我们使用的抓取方式不一样,图片,视频,音频,文本,都有所不同,由于网站图片素材过多,所以今天我们使用多线程的方式采集某站4K高清壁纸。
二、页面分析
目标网站：
http://www.bizhi88.com/3840x2160/
如图所示，有278个页面,这里我们爬取前100页的壁纸图片，保存到本地；
解析页面
如图所示所哟鱼的图片在一个大盒子里面（）,下面每一个div就对应一张高清壁纸；
然后每页div标签里面的壁纸图片数据的各种信息:1.链接;2.名称;下面是xpath的解析;
imgLink = each.xpath("./a[1]/img/@data-original")[0]
name = each.xpath("./a[1]/img/@alt")[0]
有一个注意点:
图片标签有src属性也有data-original属性，都对应图片的url地址，我们一般使用后者，因为data-original-src是自定义属性，图片的实际地址，而src属性需要页面加载完全才会全部显现，不然得不到对应地址；
三、抓取思路
上面已经说过，图片数据过多，我们不可能写个for循环一个一个的下载，所以必然要使用多线程或者是多进程，然后把这么多的数据队列丢给线程池或者进程池去处理；在python中，multiprocessing Pool进程池，multiprocessing.dummy非常好用，
multiprocessing.dummy 模块：dummy 模块是多线程；
multiprocessing 模块：multiprocessing 是多进程；
multiprocessing.dummy 模块与 multiprocessing 模块两者的api 都是通用的；代码的切换使用上比较灵活；
页面url规律：
'http://www.bizhi88.com/s/470/1.html' # 第一页
'http://www.bizhi88.com/s/470/2.html' # 第二页
'http://www.bizhi88.com/s/470/3.html' # 第三页
构建的url:
page = 'http://www.bizhi88.com/s/470/{}.html'.format(i)
那么我们定制两个函数一个用于爬取并且解析页面（spider），一个用于下载数据 (download)，开启线程池，使用for循环构建13页的url,储存在列表中，作为url队列，使用pool.map()方法进行spider,爬虫的操作;
def map(self, fn, *iterables, timeout=None, chunksize=1):
"""Returns an iterator equivalent to map(fn, iter)”“”
这里我们的使用是：pool.map(spider,page) # spider:爬虫函数；page:url队列
作用：将列表中的每个元素提取出来当作函数的参数，创建一个个进程，放进进程池中；
参数1：要执行的函数；
参数2：迭代器，将迭代器中的数字作为参数依次传入函数中；
四、数据采集
导入相关第三方库
from lxml import etree # 解析
import requests # 请求
from multiprocessing.dummy import Pool as ThreadPool # 并发
import time # 效率
页面数据解析
def spider(url):
html = requests.get(url, headers=headers)
selector = etree.HTML(html.text)
contents = selector.xpath("//div[@class='flex-img auto mt']/div")
item = {}
for each in contents:
imgLink = each.xpath("./a[1]/img/@data-original")[0]
name = each.xpath("./a[1]/img/@alt")[0]
item['Link'] = imgLink
item['name'] = name
towrite(item)
download下载图片
def download_pic(contdict):
name = contdict['name']
link = contdict['Link']
with open('img/' + name + '.jpg','wb') as f:
data = requests.get(link)
cont = data.content
f.write(cont)
print('图片' + name + '下载成功!')
main() 主函数
pool = ThreadPool(6)
page = []
for i in range(1, 101):
newpage = 'http://www.bizhi88.com/s/470/{}.html'.format(i)
page.append(newpage)
result = pool.map(spider, page)
pool.close()
pool.join()
说明：
在主函数里我们首选创建了六个线程池；
通过for循环动态构建100条url;
使用map() 函数对线程池中的url进行数据解析存储操作；
当线程池close的时候并未关闭线程池，只是会把状态改为不可再插入元素的状态；
五、程序运行
if __name__ == '__main__':
start = time.time() # 开始计时
main()
print(end - start) # 时间差
结果如下：
当然了这里只是截取了部分图像，总共爬取了，2000+张图片。
六、总结
本次我们使用了多线程爬取了某壁纸网站的高清图片，如果使用requests很明显同步请求并且下载数据是比较慢的，所以我们使用多线程的方式去下载图片，提高了爬取效率。
精彩内容
发表评论