多线程爬取百度百科

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了多线程爬取百度百科相关的知识,希望对你有一定的参考价值。

  • 前言:
    EVERNOTE里的一篇笔记,我用了三个博客才学完...真的很菜...百度百科和故事网并没有太过不一样,修改下编码,debug下,就可以爬下来了,不过应该是我爬的东西太初级了,而且我爬到3000多条链接时,好像被拒绝了...爬取速度也很慢,估计之后要接触一些优化或者多进程,毕竟python是假的多线程。
    本博客参照代码及PROJECT来源:http://kexue.fm/archives/4385/

  • 源代码:
     1 #! -*- coding:utf-8 -*-
     2 import requests as rq
     3 import re
     4 import time
     5 import datetime
     6 from multiprocessing.dummy import Pool,Queue
     7 import pymysql
     8 from urllib import parse
     9 import html
    10 import importlib
    11 from urllib.request import urlopen
    12 from bs4 import BeautifulSoup
    13 unescape = html.unescape #用来实现对HTML字符的转移
    14 
    15 tasks = Queue()
    16 tasks_pass = set() #已队列过的链接
    17 tasks.put(http://baike.baidu.com/item/科学)
    18 count = 0 #已爬取页面总数
    19 
    20 url_split_re = re.compile(&|\+)
    21 def clean_url(url):
    22     url = parse.urlparse(url)
    23     return url_split_re.split(parse.urlunparse((url.scheme, url.netloc, url.path, ‘‘, ‘‘, ‘‘)))[0]
    24 
    25 def main():
    26     global count,tasks_pass
    27     while True:
    28         url = tasks.get() #取出一个url,并且在队列中删除掉
    29         web = rq.get(url).content.decode(utf8,ignore)
    30         urls = re.findall(uhref="(/item/.*?)", web) #查找所有站内链接
    31         for u in urls:
    32             try:
    33                 u = rq.get(u).content.decode(utf8)
    34             except:
    35                 pass
    36             u = http://baike.baidu.com + u
    37             u = clean_url(u)
    38             if (u not in tasks_pass): #把还没有队列过的链接加入队列
    39                 tasks.put(u)
    40                 tasks_pass.add(u)
    41             web1 = rq.get(u).content.decode(utf8, ignore)
    42             bsObj = BeautifulSoup(web1, "lxml")
    43             text = bsObj.title.get_text()
    44             print(datetime.datetime.now(),    , u,    , text)
    45             db = pymysql.connect("localhost", "testuser", "test123", "TESTDB", charset=utf8)
    46             dbc = db.cursor()
    47             sql = "insert ignore into baidubaike(url,title) values(%s,%s);"
    48             data = (u, text)
    49             dbc.execute(sql, data)
    50             dbc.close()
    51             db.commit()
    52         count += 1
    53         if count % 100 == 0:
    54             print(u%s done. % count)
    55 
    56 pool = Pool(4, main) #多线程爬取,4是线程数
    57 total = 0
    58 while True: #这部分代码的意思是如果20秒内没有动静,那就结束脚本
    59     time.sleep(60)
    60     if len(tasks_pass) > total:
    61         total = len(tasks_pass)
    62     else:
    63         break
    64 
    65 pool.terminate()
    66 print("terminated normally")

     


  • BUG:
    raise RemoteDisconnected("Remote end closed connection without" http.client.RemoteDisconnected: Remote end closed connection without response

    问题在于没有伪装请求头

    来源:http://blog.csdn.net/u013424864/article/details/60778031



 

以上是关于多线程爬取百度百科的主要内容,如果未能解决你的问题,请参考以下文章

百度百科简介爬取(含源代码)

python小白学习记录 多线程爬取ts片段

python爬虫—爬取百度百科数据

《百年孤独》百度百科的爬取

Python网络爬虫四多线程爬取多张百度图片的图片

Python开发简单爬虫---爬取百度百科页面数据