python面向對象多線程爬蟲爬取搜狐頁面的實例代碼

這篇文章主要介紹了python面向對象多線程爬蟲爬取搜狐頁面的實例代碼,需要的朋友可以參考下
首先我們需要幾個包：requests, lxml, bs4, pymongo, redis

1. 創建爬蟲對象，具有的幾個行爲：抓取頁面，解析頁面，抽取頁面，儲存頁面

class Spider(object):
 def __init__(self):
  # 狀態(是否工作)
  self.status = SpiderStatus.IDLE
 # 抓取頁面
 def fetch(self, current_url):
  pass
 # 解析頁面
 def parse(self, html_page):
  pass
 # 抽取頁面
 def extract(self, html_page):
  pass
 # 儲存頁面
 def store(self, data_dict):
  pass

2. 設置爬蟲屬性，沒有在爬取和在爬取中，我們用一個類封裝， @unique使裏面元素獨一無二，Enum和unique需要從 enum裏面導入：

@unique
class SpiderStatus(Enum):
 IDLE = 0
 WORKING = 1

3. 重寫多線程的類：

class SpiderThread(Thread):
 def __init__(self, spider, tasks):
  super().__init__(daemon=True)
  self.spider = spider
  self.tasks = tasks
 def run(self):
  while True:
   pass

4. 現在爬蟲的基本結構已經做完了，在main函數創建tasks， Queue需要從queue裏面導入：

def main():
 # list沒有鎖，所以使用Queue比較安全, task_queue=[]也可以使用,Queue 是先進先出結構, 即 FIFO
 task_queue = Queue()
 # 往隊列放種子url, 即搜狐手機端的url
 task_queue.put('http://m.sohu,com/')
 # 指定起多少個線程
 spider_threads = [SpiderThread(Spider(), task_queue) for _ in range(10)]
 for spider_thread in spider_threads:
  spider_thread.start()
 # 控制主線程不能停下,如果隊列裏有東西，任務不能停, 或者spider處於工作狀態，也不能停
 while task_queue.empty() or is_any_alive(spider_threads):
  pass
 print('Over')

4-1. 而 is_any_threads則是判斷線程裏是否有spider還活着，所以我們再寫一個函數來封裝一下:

def is_any_alive(spider_threads):
 return any([spider_thread.spider.status == SpiderStatus.WORKING
    for spider_thread in spider_threads])

5. 所有的結構已經全部寫完，接下來就是可以填補爬蟲部分的代碼，在SpiderThread(Thread)裏面，開始寫爬蟲運行 run 的方法，即線程起來後，要做的事情：

def run(self):
 while True:
  # 獲取url
  current_url = self.tasks_queue.get()
  visited_urls.add(current_url)
  # 把爬蟲的status改成working
  self.spider.status = SpiderStatus.WORKING
  # 獲取頁面
  html_page = self.spider.fetch(current_url)
  # 判斷頁面是否爲空
  if html_page not in [None, '']:
   # 去解析這個頁面, 拿到列表
   url_links = self.spider.parse(html_page)
   # 把解析完的結構加到 self.tasks_queue裏面來
   # 沒有一次性添加到隊列的方法 用循環添加算求了
   for url_link in url_links:
    self.tasks_queue.put(url_link)
  # 完成任務，狀態變回IDLE
  self.spider.status = SpiderStatus.IDLE

6. 現在可以開始寫 Spider()這個類裏面的四個方法，首先寫fetch()抓取頁面裏面的：

  @Retry()
 def fetch(self, current_url, *, charsets=('utf-8', ), user_agent=None, proxies=None):
  thread_name = current_thread().name
  print(f'[{thread_name}]: {current_url}')
  headers = {'user-agent': user_agent} if user_agent else {}
  resp = requests.get(current_url,
       headers=headers, proxies=proxies)
  # 判斷狀態碼，只要200的頁面
  return decode_page(resp.content, charsets) \
   if resp.status_code == 200 else None

6-1. decode_page是我們在類的外面封裝一個解碼的函數：

def decode_page(page_bytes, charsets=('utf-8',)):
 page_html = None
 for charset in charsets:
  try:
   page_html = page_bytes.decode(charset)
   break
  except UnicodeDecodeError:
   pass
   # logging.error('Decode:', error)
 return page_html

6-2. @retry是裝飾器，用於重試, 因爲需要傳參，在這裏我們用一個類來包裝, 所以最後改成@Retry():

# retry的類，重試次數3次，時間5秒(這樣寫在裝飾器就不用傳參數類), 異常
class Retry(object):
 def __init__(self, *, retry_times=3, wait_secs=5, errors=(Exception, )):
  self.retry_times = retry_times
  self.wait_secs = wait_secs
  self.errors = errors
 # call 方法傳參
 def __call__(self, fn):
  def wrapper(*args, **kwargs):
   for _ in range(self.retry_times):
    try:
     return fn(*args, **kwargs)
    except self.errors as e:
     # 打日誌
     logging.error(e)
     # 最小避讓 self.wait_secs 再發起請求(最小避讓時間)
     sleep((random() + 1) * self.wait_secs)
   return None
  return wrapper()

7. 接下來寫解析頁面的方法，即 parse():

# 解析頁面
 def parse(self, html_page, *, domain='m.sohu.com'):
  soup = BeautifulSoup(html_page, 'lxml')
  url_links = []
  # 找body的有 href 屬性的 a 標籤
  for a_tag in soup.body.select('a[href]'):
   # 拿到這個屬性
   parser = urlparse(a_tag.attrs['href'])
   netloc = parser.netloc or domain
   scheme = parser.scheme or 'http'
   netloc = parser.netloc or 'm.sohu.com'
   # 只爬取 domain 底下的
   if scheme != 'javascript' and netloc == domain:
    path = parser.path
    query = '?' + parser.query if parser.query else ''
    full_url = f'{scheme}://{netloc}{path}{query}'
    if full_url not in visited_urls:
     url_links.append(full_url)

7-1. 我們需要在SpiderThread()的 run方法裏面，在
current_url = self.tasks_queue.get()
下面添加

visited_urls.add(current_url)

在類外面再添加一個

visited_urls = set()去重

8. 現在已經能開始抓取到相應的網址。
   .

推薦我們的python學習基地，看老程序是如何學習的！從基礎的python腳本、爬蟲、django、數據挖掘等編程技術，工作經驗，還有前輩精心爲學習python的小夥伴整理零基礎到項目實戰的資料，！每天都有程序員定時講解Python技術，分享一些學習的方法和需要留意的小細節
總結

以上所述是小編給大家介紹的python面向對象多線程爬蟲爬取搜狐頁面的實例代碼，希望對大家有所幫助，如果大家有任何疑問請給我留言，