数据挖掘_多线程抓取

Posted 2021-04-21 大数据技术汇

多线程是以并发的方式执行的，在这里要注意，Python的多线程程序只能运行在一个单核上以并发的方式运行，即便是多核的机器，所以说，使用多线程抓取可以极大地提高抓取效率

 

下面我们以requests为例介绍多线程抓取，然后在通过与单线程程序比较，体会多线程的效率的提高

 

这一次，我就不用我的网站做测试了，因为网站的内容此时还并不是太多，不能体现多线程的优势

 

  http://search.dangdang.com/?key=Python&act=input&page_index=1

　可以看到key代表的是搜索关键字，act代表你是通过什么方式搜索的，page_index代表的是搜索页面的页码

 

在抓取到上面的页码后，要对里面的信息进行提取，最后将提取的信息保存在文本文件中，文件中保存每一本书的书名，以及他的链接

 

下面我们定义抓取实验所需要的方法(或函数)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39

# coding=utf-8 __Author__ = "susmote"   import requests from bs4 import BeautifulSoup     def format_str(s):     return s.replace(" ", "").replace(" ", "").replace(" ", "")   def get_urls_in_pages(from_page_num, to_page_num):     urls = []     search_word = "python"     url_part_1 = "http://search.dangdang.com/?key="     url_part_2 = "&act=input"     url_part_3 = "&page_index="     for i in range(from_page_num, to_page_num + 1):         urls.append(url_part_1 + search_word + url_part_2 + url_part_3 + str(i))     all_href_list = []     for url in urls:         print(url)         resp = requests.get(url)         bs = BeautifulSoup(resp.text, "lxml")         a_list = bs.find_all("a")         needed_list = []         for a in a_list:             if 'name' in a.attrs:                 name_val = a['name']                 href_val = a['href']                 title = a.text                 if 'itemlist-title' in name_val and title != "":                     if [title, href_val] not in needed_list:                         needed_list.append([format_str(title), format_str(href_val)])         all_href_list += needed_list     all_href_file = open(str(from_page_num) + '_' + str(to_page_num) + '_' + 'all_hrefs.txt', 'w')     for href in all_href_list:         all_href_file.write(' '.join(href) + ' ')     all_href_file.close()     print(from_page_num, to_page_num, len(all_href_list))

　　下面我们来解释一下这些代码

首先，format_str是用来在提取信息后去掉多余的空白

而get_url_in_pages方法是执行功能的主体，这个方法接收的参数是指页码的范围，函数体中，urls主要用来存放基于两个参数所生成的所有要抓取的页面的链接，我把url分为3个部分，也是为了方便之后对链接的组合，然后的for循环就是做的是拼接的工作，这里我不多做解释了，如果不懂，请留言

下一步，我们定义了一个列表all_href_list ,这个列表是用来存储每页中包含图书信息的，实际上它又是一个嵌套的列表，里面的元素是[书名， 链接],他的形式如下所示

1 2 3 4 5 6

all_href_list = [     ['书名1'， "链接1"],     ['书名2'， "链接2"],     ['书名3'， "链接3"],     ...... ]

 

后面的代码就是对灭一页进行抓取和提取信息了，这部分的代码都在for url in urls这个循环体中，首先打印链接，然后调用requs的get方法，获取页面，之后又使用BeautifulSoup将get请求放回的html文本进行分析，转为BeautifulSoup能够处理的结构，命名为bs

之后我们定义的needed_list是用来存放书名和链接的，bs.find_all('a')抽取了页面中所有的链接元素,for a in a_list 对每一个列表中的元素进行遍历分析，在这之前，我们通过浏览器发现了他的结构

每个书籍元素中都会有一个属性name,值为"itemlist_title"，通过这个我们很容易的就筛选出了书籍元素，然后将书籍信息，以及链接元素href一同存入列表，在存之前，我们还做了一些判断，是否已经存在这个链接了，和这个元素的链接为空

每抽取完一个页面的链接后，就可以把它加入到all_href_list中，也就是下面这行代码

1	all_href_list += needed_list

　　注意我在这里使用的是 += 运算符

获取到范围内所有的链接元素后，就可以写入文件了，在这里我不做过多解释了

 

然后我们下一步就是定义多线程了，因为我们搜索关键词总的页数是32页

 

所以我们在这里准备用3个线程来完成这些任务，也就是每个线程处理10个页面，在单线程的情况下，这30页用一个线程单独完成

下面我们给出抓取方案的代码

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

# coding=utf-8 __Author__ = "susmote"   import time import threading from mining_func import get_urls_in_pages   def multiple_threads_test():     start_time = time.time()     page_range_list = [         (1, 10),         (11, 20),         (21, 32),     ]           th_list = []     for page_range in page_range_list:         th = threading.Thread(target = get_urls_in_pages, args = (page_range[0], page_range[1]))         th_list.append(th)           for th in th_list:         th.start()               for th in th_list:         th.join()               end_time = time.time()     print("共使用时间1:", end_time - start_time)     return end_time - start_time

　　

简单解释一下，为了获取运行的时间，我们定义了一个开始时间start_time 和 一个结束时间end_time，运行时间也就是结束时间减去开始时间

然后定义的一个列表page_range_list也就是把页码分为三段，前面有提到过

之后又定义了一个列表th_list也就是存储所有线程对象的列表，之后通过一个循环，生成了3个线程对象，分别对应着不同的页码范围，把他们存入列表

然后在后面的循环中，分别执行th.start()，开启线程，在后面，我们为了使这些异步并发执行的线程都执行完毕后再退出函数，这里使用了线程的join方法,等待各线程执行完毕

 

下面就是最激动人心的时候了，对代码进行测试

在这里，我们写下如下代码

1 2 3 4 5 6 7 8

# coding=utf-8 __Author__ = "susmote"   from mining_threading import multiple_threads_test   if __name__ == "__main__":     mt = multiple_threads_test()     print('mt', mt)

　　

为了使测试结果更加精确，我们进行三次实验，取平均时间 

第一次实验

使用时间6.651

第二次实验

 

使用时间6.876

第三次实验

 

使用时间6.960

 

平均时间如下

6.829

 

下面是单进程代码

1 2 3 4 5 6 7 8 9 10 11 12 13

# coding=utf-8 __Author__ = "susmote"   import time from mining_func import get_urls_in_pages     def sigle_test():     start_time = time.time()     get_urls_in_pages(1, 32)     end_time = time.time()     print("共使用时间 : ", end_time - start_time)     return end_time - start_time

　　

调用函数如下

1 2 3 4 5 6 7 8 9

# coding=utf-8 __Author__ = "susmote"   from single_mining import single_test     if __name__ == "__main__":     st = single_test()     print('st ', st)

　　

在命令行下执行

 

第一次

10.138

 

第二次

10.290

 

第三次

10.087

 

平均花费时间

10.171

 

所以说，多线程的确能够提高抓取的效率，注意，这是在数据比较少的情况进行的，如果数据量比较大的话，多线程的优势就很明显了

你可以自己去更改搜索关键词，和页码，或是重新找一个网页(抓取跟网速也有很大的关系)

 

附几张抓取数据的图