# Author:toloy
# 导入队列包
import queue
# 导入线程包
import threading
# 导入json处理包
import json
# 导入xpath处理包
from lxml import etree
# 导入请求处理包
import requests
class ThreadCrawl(threading.Thread):
‘‘‘
定义爬取网页处理类,从页码队列中取出页面,拼接url,请求数据,并把数据存到数据队列中
‘‘‘
def __init__(self, threadName, pageQueue, dataQueue):
‘‘‘
构造函数
:param threadName:当前线程名称
:param pageQueue: 页面队列
:param dataQueue: 数据队列
‘‘‘
super(ThreadCrawl, self).__init__()
self.threadName = threadName
self.pageQueue = pageQueue
self.dataQueue = dataQueue
self.headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/64.0.3282.186 Safari/537.36"}
def run(self):
‘‘‘
线程执行的run方法
:return:
‘‘‘
while not self.pageQueue.empty():
try:
pageNum = self.pageQueue.get(False)
url = "http://www.dfenqi.cn/Product/Category?category=4945805937081335060-0-0&pageIndex=" + str(pageNum)
content = requests.get(url,headers = self.headers).text
self.dataQueue.put(content)
print(self.threadName + ‘爬取数据‘)
except:
pass
# 解析线程是否结束的标识
PARSE_THREAD_EXIST = False
class ParseThread(threading.Thread):
‘‘‘
网页数据解析类
‘‘‘
def __init__(self,threadName,dataQueue,fileName):
‘‘‘
解析线程的构造函数
:param threadName:当前线程名称
:param dataQueue:数据队列
:param fileName:文件名
‘‘‘
super(ParseThread,self).__init__()
self.threadName = threadName
self.dataQueue = dataQueue
self.fileName = fileName
def run(self):
‘‘‘
解析线程的执行run方法,从数据队列取出数据,解析数据,再存入到本地文件中
:return:
‘‘‘
while not PARSE_THREAD_EXIST:
try:
html = self.dataQueue.get(False)
print(self.threadName + ‘取到数据‘)
text = etree.HTML(html)
# 解析网页中的数据,此处可根据需要,定制解析方法或解析类来实现
titleList = text.xpath("//div[@class=‘liebiao‘]/ul/li/a/p/text()")
with open(self.fileName,‘a‘,encoding=‘utf-8‘) as f:
for title in titleList:
f.write(title + "\n")
print(self.threadName + ‘解析完成‘)
except:
pass
def main():
‘‘‘
调度方法,main入口执行方法
:return:
‘‘‘
# 创建页码队列,用于存储页码
pageQueue = queue.Queue(50)
for i in range(1, 51):
pageQueue.put(i)
# 数据队列,用于存储爬取的数据供解析线程使用
dataQueue = queue.Queue()
# 将解析结果保存的文件名
fileName = ‘file.txt‘
# 爬取线程的名称列表
cawlThreadNameList = [‘线程一‘, ‘线程二‘]
crawThreadlList = []
for threadName in cawlThreadNameList:
thread = ThreadCrawl(threadName, pageQueue, dataQueue)
thread.start()
crawThreadlList.append(thread)
# 解析线程的名称列表
parseThreadNameList = [‘解析线程一‘,‘解析线程二‘]
parseThreadList = []
for threadName in parseThreadNameList:
thread = ParseThread(threadName,dataQueue,fileName)
thread.start()
parseThreadList.append(thread)
# 等待爬取线程处理结束
for thread in crawThreadlList:
thread.join()
# 判断数据队列中是否处理完成了,当处理完成后,将退出解析线程标识为True
if pageQueue.empty():
global PARSE_THREAD_EXIST
PARSE_THREAD_EXIST = True
# 等待解析线程退出
for thread in parseThreadList:
thread.join()
if __name__ == "__main__":
main()
8简单的多线程爬取网页数据 并通过xpath解析存到本地
Posted toloy
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8简单的多线程爬取网页数据 并通过xpath解析存到本地相关的知识,希望对你有一定的参考价值。
以上是关于8简单的多线程爬取网页数据 并通过xpath解析存到本地的主要内容,如果未能解决你的问题,请参考以下文章