python多线程爬取图片二

Posted liangxiyang

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python多线程爬取图片二相关的知识,希望对你有一定的参考价值。

上一篇的多线程是使用类创建的,这一次使用函数创建多线程,还是同一个网站https://www.quanjing.com/category/1286521/1.html,

代码如下:

 1 # 多线程,自动创建文件夹,每个页面单独存储一个文件夹
 2 
 3 import requests
 4 import threading
 5 import re
 6 import time
 7 import queue
 8 import os
 9 from bs4 import BeautifulSoup
10 
11 
12 string = https://www.quanjing.com/category/1286521/
13 url_queue = queue.Queue()
14 pipei = re.compile(lowsrc="(.*?)" m=)        # 定义正则表达式,匹配出每一张图片的链接
15 
16 
17 def get_url(page):          # 根据传入的页面数,创建1-page每个页面的url
18     for i in range(1, page+1):
19         url = string + str(i) + .html‘      # 拼接url
20         url_queue.put(url)            # 把每个url放入队列中
21     # print(url_queue.queue)
22 
23 
24 def spider(url_queue):      # 爬取函数
25     url = url_queue.get()    # 从队列中取出最前面的url
26     floder_count = url[-7:-5]  # 判断当前爬取的为第几页,用于后面的创建文件夹,如果页数为两位数,则会截取当前页数,如果为一位数字,则会截取当前页数和前面的‘/’符号
27     if floder_count[0] == /:
28         floder_name = floder_count[1]
29     else:
30         floder_name = floder_count
31     os.mkdir(第0页.format(floder_name)) # mkdir创建文件夹
32     html = requests.get(url=url).text
33     soup = BeautifulSoup(html, lxml)    # 对源码进行解析
34     ul = soup.find_all(attrs="class": "gallery_list")    # 提取出图片链接的部分
35     # print(ul)
36     lianjies = re.findall(pipei, str(ul))       # 匹配出每一张图片的链接,正则匹配必须是字符串类型
37     i = 1
38     for lianjie in lianjies:
39         # print(lianjie)
40         result = requests.get(url=lianjie).content    # 二进制方式请求每张图片,并存储。
41         with open(第0页\1.jpg.format(floder_name, i), ab) as f:
42             f.write(result)
43         print(第0页第1张存储完成.format(floder_name, i))
44         i += 1
45 
46     if not url_queue.empty():    # 如果队列未空,则该线程继续工作,从队列中取出url
47         spider(url_queue)
48 
49 
50 def main():      # main函数,用于线程的创建,线程的启动
51     queue_list = []    # 线程列表
52     queue_count = 3    # 线程数量
53     for i in range(queue_count):
54         t = threading.Thread(target=spider, args=(url_queue, ))  # 创建线程,第一个参数为线程要调用的函数,第二个参数为函数的参数
55         queue_list.append(t)        # 把线程加入队列
56     for t in queue_list:    # 线程开始
57         t.start()
58     for t in queue_list:  # 等待所有线程结束
59         t.join()
60 
61 
62 if __name__ == __main__:
63     page = int(input("请输入需要爬取的页数:"))
64     get_url(page)
65     start_time = time.time()
66     main()
67     print("test3用时:%f" % (time.time() - start_time))    # 计算爬取用时                                                                                                    

 在写代码时,遇到了两点困难:一是队列未空时,怎么让线程继续工作。刚开始是在if判断后调用main函数,但这样做等于又重新定义了新的线程,并不是之前的线程在继续工作,且有时候会存在爬取不完的情况,后来尝试调用spider函数,爬取成功

第二个困难是文件夹的创建,刚开始没有对截图的两个字符进行判断,导致创建失败,百度一下后发现可以用makedirs解决,试了后发现这样创建的是多级目录,也不行,(可能是‘/’字符的缘故),后来加了一个判断,才解决这一问题。

写完这两个多线程爬虫,才算是了解了线程的工作机制的程序。(ps:若有错误的地方,欢迎大佬随时指正。。xixix)

以上是关于python多线程爬取图片二的主要内容,如果未能解决你的问题,请参考以下文章

Python多线程Threading爬取图片,保存本地

Python网络爬虫四多线程爬取多张百度图片的图片

Python爬虫:运用多线程IP代理模块爬取百度图片上小姐姐的图片

Python爬虫:运用多线程IP代理模块爬取百度图片上小姐姐的图片

python多线程爬虫+批量下载斗图啦图片项目(关注持续更新)

python爬虫 asyncio aiohttp aiofiles 单线程多任务异步协程爬取图片