高性能异步爬虫
目的:在爬虫中使用异步实现高性能的数据爬取操作
异步爬虫的方式:
- 多线程、多进程(不建议):
好处:可以为相关阻塞的操作单独开启多线程或进程,阻塞操作就可以异步执行;
弊端:无法无限制的开启多线程或多进程。
- 线程池、进程池(适当的使用):
好处:我们可以降低系统对进程或线程创建和销毁的一个频率,从而很好的降低系统的开销;
弊端:池中线程或进程的数据是有上限的。
代码如下
# _*_ coding:utf-8 _*_ """ @FileName :6.4k图片解析爬取(异步高性能测试).py @CreateTime :2020/8/14 0014 10:01 @Author : Lurker Zhang @E-mail : 289735192@qq.com @Desc. : """ import requests from lxml import etree from setting.config import * import json import os import time from multiprocessing.dummy import Pool def main(): # 图片采集源地址 # source_url = 'http://pic.netbian.com/4kmeinv/' # temp_url = 'http://pic.netbian.com/4kmeinv/index_{}.html' # source_url = 'http://pic.netbian.com/4kdongman/' # temp_url = 'http://pic.netbian.com/4kdongman/index_{}.html' source_url = 'http://pic.netbian.com/4kmingxing/' temp_url = 'http://pic.netbian.com/4kmingxing/index_{}.html' # 本此采集前多少页,大于1的整数 page_sum = 136 all_pic_list_url = [] if page_sum == 1: pic_list_url = source_url print('开始下载:' + pic_list_url) all_pic_list_url.append(pic_list_url) else: # 先采集第一页 pic_list_url = source_url # 调用采集单页图片链接的函数 all_pic_list_url.append(pic_list_url) # 再采集第二页开始后面的页数 for page_num in range(2, page_sum + 1): pic_list_url = temp_url.format(page_num) all_pic_list_url.append(pic_list_url) # 单页图片多线程解析 pool1 = Pool(10) pool1.map(down_pic, all_pic_list_url) print('采集完成,本地成功下载{0}张图片,失败{1}张图片。'.format(total_success, total_fail)) # 存储已下载文件名列表: with open("../depository/mingxing/pic_name_list.json", 'w', encoding='utf-8') as fp: json.dump(pic_name_list, fp) def down_pic(pic_list_url): print("准备解析图片列表页:",pic_list_url) # 获取图片列表页的网页数据 pic_list_page_text = requests.get(url=pic_list_url, headers=headers).text tree_1 = etree.HTML(pic_list_page_text) # 获取图片地址列表 pic_show_url_list = tree_1.xpath('//div[@class="slist"]/ul//a/@href') pic_url_list = [get_pic_url('http://pic.netbian.com' + pic_show_url) for pic_show_url in pic_show_url_list] # 开始下载并保存图片(多线程) pool2 = Pool(5) pool2.map(save_pic, pic_url_list) def save_pic(pic_url): print("准备下载图片:",pic_url) global total_success, total_fail, pic_name_list,path picname = get_pic_name(pic_url) if not picname in pic_name_list: # 获取日期作为保存位置文件夹 pic = requests.get(url=pic_url, headers=headers).content try: with open(path + picname, 'wb') as fp: fp.write(pic) except IOError: print(picname + "保存失败") total_fail += 1 else: pic_name_list.append(picname) total_success += 1 print("成功保存图片:{0},共成功采集{1}张。".format(picname, total_success)) else: print("跳过,已下载过图片:" + picname) total_fail += 1 def get_pic_name(pic_url): return pic_url.split('/')[-1] def get_pic_url(pic_show_url): tree = etree.HTML(requests.get(url=pic_show_url, headers=headers).text) return 'http://pic.netbian.com/' + tree.xpath('//div[@class="photo-pic"]/a/img/@src')[0] if __name__ == '__main__': # 读入已采集图片的名称库,名称存在重复的表示已经采集过将跳过不采集 if not os.path.exists('../depository/mingxing/pic_name_list.json'): with open("../depository/mingxing/pic_name_list.json", 'w', encoding="utf-8") as fp: json.dump([], fp) with open("../depository/mingxing/pic_name_list.json", "r", encoding="utf-8") as fp: pic_name_list = json.load(fp) path = '../depository/mingxing/' + time.strftime('%Y%m%d', time.localtime()) + '/' if not os.path.exists(path): os.mkdir(path) # 记录本次采集图片的数量 total_success = 0 total_fail = 0 main()
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件!
如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
暂无“Python使用xpath实现图片爬取”评论...
《魔兽世界》大逃杀!60人新游玩模式《强袭风暴》3月21日上线
暴雪近日发布了《魔兽世界》10.2.6 更新内容,新游玩模式《强袭风暴》即将于3月21 日在亚服上线,届时玩家将前往阿拉希高地展开一场 60 人大逃杀对战。
艾泽拉斯的冒险者已经征服了艾泽拉斯的大地及遥远的彼岸。他们在对抗世界上最致命的敌人时展现出过人的手腕,并且成功阻止终结宇宙等级的威胁。当他们在为即将于《魔兽世界》资料片《地心之战》中来袭的萨拉塔斯势力做战斗准备时,他们还需要在熟悉的阿拉希高地面对一个全新的敌人──那就是彼此。在《巨龙崛起》10.2.6 更新的《强袭风暴》中,玩家将会进入一个全新的海盗主题大逃杀式限时活动,其中包含极高的风险和史诗级的奖励。
《强袭风暴》不是普通的战场,作为一个独立于主游戏之外的活动,玩家可以用大逃杀的风格来体验《魔兽世界》,不分职业、不分装备(除了你在赛局中捡到的),光是技巧和战略的强弱之分就能决定出谁才是能坚持到最后的赢家。本次活动将会开放单人和双人模式,玩家在加入海盗主题的预赛大厅区域前,可以从强袭风暴角色画面新增好友。游玩游戏将可以累计名望轨迹,《巨龙崛起》和《魔兽世界:巫妖王之怒 经典版》的玩家都可以获得奖励。
更新动态
2024年11月24日
2024年11月24日
- 凤飞飞《我们的主题曲》飞跃制作[正版原抓WAV+CUE]
- 刘嘉亮《亮情歌2》[WAV+CUE][1G]
- 红馆40·谭咏麟《歌者恋歌浓情30年演唱会》3CD[低速原抓WAV+CUE][1.8G]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[320K/MP3][193.25MB]
- 【轻音乐】曼托凡尼乐团《精选辑》2CD.1998[FLAC+CUE整轨]
- 邝美云《心中有爱》1989年香港DMIJP版1MTO东芝首版[WAV+CUE]
- 群星《情叹-发烧女声DSD》天籁女声发烧碟[WAV+CUE]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[FLAC/分轨][748.03MB]
- 理想混蛋《Origin Sessions》[320K/MP3][37.47MB]
- 公馆青少年《我其实一点都不酷》[320K/MP3][78.78MB]
- 群星《情叹-发烧男声DSD》最值得珍藏的完美男声[WAV+CUE]
- 群星《国韵飘香·贵妃醉酒HQCD黑胶王》2CD[WAV]
- 卫兰《DAUGHTER》【低速原抓WAV+CUE】
- 公馆青少年《我其实一点都不酷》[FLAC/分轨][398.22MB]
- ZWEI《迟暮的花 (Explicit)》[320K/MP3][57.16MB]