python3 多线程获取数据实例

Posted 2020-10-14 xpyue

import requests
import json
from retrying import retry
from lxml import etree
from queue import Queue
import threading

class QiuShi:
　　def __init__(self):
　　　　# 定义三个队列
　　　　self.url_queue = Queue()
　　　　self.html_queue = Queue()
　　　　self.content_list_queue = Queue()
　　　　self.headers = {
　　　　"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36"
　　　　}

　　def get_url_list(self):
　　　　url_list = [‘https://www.qiushibaike.com/8hr/page/{}/‘.format(i) for i in range(1, 14)]
　　　　for url in url_list:
　　　　　　# 将url使用put方法放入队列
　　　　　　self.url_queue.put(url)

　　@retry(stop_max_attempt_number=3)
　　def _parse_url(self, url):
　　　　response = requests.get(url, headers=self.headers, timeout=3)
　　　　assert response.status_code == 200
　　　　return etree.HTML(response.content)

　　def parse_url(self):
　　# 这里需要一个url。
　　# 因为url = self.url_queue.get()只会从队列里取一次url.所以这里需要加while True循环来取。
　　# 当url队列里没有url的时候这里会堵塞等待，只要有就取。
　　# 但是取过后队列的基数并没有减１（并没有减去刚取走的url），所以要在下面使用task_done()
　　while True:
　　　　url = self.url_queue.get()
　　　　print(url)
　　　　try:
　　　　　　html = self._parse_url(url)
　　　　except:
　　　　　　html = None
　　　　# 将html添加到队列里
　　　　self.html_queue.put(html)
　　　　self.url_queue.task_done()

　　def get_content_list(self):
　　　　# 和上面一样
　　　　while True:
　　　　　　html = self.html_queue.get()
　　　　　　if html is not None:
　　　　　　　　div_list = html.xpath(‘//div[@id="content-left"]/div‘)
　　　　　　　　content_list = []
　　　　　　　　for div in div_list:
　　　　　　　　　　item = {}
　　　　　　　　　　item[‘name‘] = div.xpath(‘.//h2/text()‘)[0].replace("\n", "") if len(div.xpath(‘.//h2/text()‘)) > 0 else None
　　　　　　　　　　item[‘content‘] = div.xpath(‘.//div[@class="content"]/span/text()‘)[0].replace("\n", "") if len(div.xpath(‘.//div[@class="content"]/span/text()‘)) > 0 else None
　　　　　　　　　　item[‘comment‘] = div.xpath(‘.//i[@class="number"]/text()‘)[1] if len(div.xpath(‘.//i[@class="number"]/text()‘)) > 0 else None
　　　　　　　　　　item[‘img‘] = div.xpath(‘.//img/@src‘) if len(div.xpath(‘.//img/@src‘)) > 0 else None

　　　　　　　　　　content_list.append(item)
　　　　　　　　　self.content_list_queue.put(content_list)
　　　　　　self.html_queue.task_done()

　　def save_content_list(self):
　　　　while True:
　　　　　　content_list = self.content_list_queue.get()

　　　　　　with open("qiubai.json", "a", encoding="utf-8") as f:
　　　　　　　　for content in content_list:
　　　　　　　　　　json.dump(content, f, ensure_ascii=False, indent=2)
　　　　　　　　　　f.write(‘,\n‘)

　　　　　　self.content_list_queue.task_done()

　　def run(self):
　　　　thread_list = []
　　　　# 创建一个提取url的线程
　　　　t_url = threading.Thread(target=self.get_url_list)
　　　　thread_list.append(t_url)
　　　　# 因为发送请求比较耗时，这里我们就用多线程来做
　　　　for i in range(5):
　　　　　　t_parse = threading.Thread(target=self.parse_url)
　　　　　　thread_list.append(t_parse)
　　　　# 提取数据也比较耗时，这里我们也使用多线程
　　　　for i in range(3):
　　　　　　t_get_content_list = threading.Thread(target=self.get_content_list)
　　　　　　thread_list.append(t_get_content_list)
　　　　# 保存数据必须用一个线程要数据就会乱
　　　　t_save = threading.Thread(target=self.save_content_list)
　　　　thread_list.append(t_save)
　　　　for t in thread_list:
　　　　　　t.setDaemon(True) # 守护线程
　　　　　　t.start()
　　　　# 当所有队列里没有数据，基数都等于０的时候主线程结束。否则一直堵塞在q.join()
　　　　for q in [self.content_list_queue, self.html_queue, self.url_queue]:
　　　　　　q.join()

if __name__ == ‘__main__‘:
qiubai = QiuShi()
qiubai.run()