数据挖掘_多线程抓取

Posted 2020-11-02 susmote

在这一篇文章中，我们主要来介绍多线程抓取数据。

 

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

 

我们通过当当网来测试我们的多线程实例，通过对搜索结果的同一抓取实现功能的演示，搜索模式地址如下

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)

# coding=utf-8
__Author__ = "susmote"

import requests
from bs4 import BeautifulSoup


def format_str(s):
    return s.replace("\\n", "").replace(" ", "").replace("\\t", "")

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(\'\\t\'.join(href) + \'\\n\')
    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

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

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

# 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

# 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

# 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

# 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