因为工作需要,经常需要到新浪某博客去找资料,在博文目录里一页页地肉眼搜索,看到合适的标题再点击开链接查看内容,知道合适地再复制下来。很烦人。于是一直有个想法,学会爬虫。
拿着单位发的购书卡去买了本入门的书《python编程从入门到实践》,凭着一点编程的底子,三个小时看完了基础部分,然后安装python就开始搜集各种网络文字教程,开始实践。
(一)正则标题式提取博文文字
新浪博客博文一句话可以放在几个标签里面,感觉很奇葩(也许就是我无知)。因为乱七八糟的缘故,sir学习了一下re正则表达式模块,然后开始动手
#导入request方法 from urllib import request #导入正则表达式模块 import re #打开网页,获取响应文本 response=request.urlopen('http://blog.sina.com.cn/s/blog_xxxxxxx.html') #读取网页源码 不知道怎么表达这个东西 page=response.read() #转码 js= page.decode('utf-8') #编译匹配模式 pat=re.compile(r'((?<=>)[^>]+?(?=</FONT>)|(?<=>)[^>]+?(?=</SPAN>))') #匹配网页内容 match=re.findall(pat,js) #若匹配则输出 if match: n=0 for each_match in match: n+=1 print(n," : "+each_match +' ')
正则匹配模式写得不够完美把极少数的无关的内容匹配出来,加上各种网络教程各种的看不懂,使得sir失去了努力的方向。
(二)根据Excel中的Url下载图片
时隔一个月,突然有了采集图片的机会,又让sir有了一点动力。因为URL已经通过其他爬虫采集到excel工作簿当中,于是sir又学习了一下第三方包openpyxl,知道如何操作Excel之后又开始动手了。
from urllib import request #导入request函数 from openpyxl import load_workbook #导入load_workbook函数 #自定义一个根据url和图片文件名称为参数,自动下载图片的函数 def downloadImage(imageUrl,imagePath): response=request.urlopen(imageUrl)#访问图片地址,获得响应 imageContents=response.read()#获取图片内容 f=open(imagePath,'wb')#打开文件 f.write(imageContents)#写入内容 f.close#关闭文件 #打开Excel workbook wb=load_workbook('image.xlsx') #指定工作表 ws=wb.active
#获取单元格内容 从第二行开始 到空白单元格结束 i=2 while ws.cell(row=i,column=1).value!=None: #生成文件名 A列为文件名称 Path= str(i-1)+'_'+ws.cell(row=i,column=1).value +'.jpg' #获取URL地址 B列为URL地址 Url=ws.cell(row=i,column=2).value #调用函数下载图片 downloadImage(imageUrl=Url,imagePath=Path) #循环下载图片 print('已下载第'+str(i-1)+'张高清图片>>>') i+=1
因为函数downloadimage内部没有添加异常处理,于是碰到request失败的时候,脚本就停止不动了。添加了异常处理之后,sir有发觉下载的速度真的好慢。于是第二天求助了一位相识。
(三)多线程下载图片
这位朋友发了一段代码,让我自己学习。研究之后sir发现了,把具体要做的事情,放到多线程下载那个类的内部,就可以使用多线程下载。速度立马快的飞起。30秒给我下了2000多张图片,高达1G,还好我及时终止了脚本。
另外,Sir学到异常处理怎么写,也知道利用requests.session()创建会话以便更快地下载。唯一费解的就是在json中找到图片地址,花了一段时间才明白怎么回事,使用了josn.loads()之后把内容粘贴到在线解析网站去,然后肉眼分析数据的储存结构。
import requests import json import threading Default_Header = { #具体请求头自己去弄 } _session=requests.session() _session.headers.update(Default_Header) #多线程下载 class myThread(threading.Thread): def __init__(self,imgUrl,fname): threading.Thread.__init__(self) self.imgUrl=imgUrl self.fname=fname def run(self): print("downloading",self.imgUrl) download(self.imgUrl,self.fname) def download(fileid,type): img_url="http://img.hb.aicdn.com/"+fileid imgresp=requests.get(img_url) byte_img = imgresp.content try: out = open(type, 'wb') out.write(byte_img) out.flush() out.close() except Exception as e: print(e) if __name__ == "__main__": r =_session.get('http://huaban.com/pins/873774526/?xxxxxx') url=json.loads(r.text) urlList=url['pin']['board']['pins'] for i in urlList: key=i['file']['key'] print(key) #download(key,key+'.jpg') myThread(key,key+'.jpg').start()
(四)多线程采集改造
吸收了一些精华之后,sir开始改造自己爬虫。首先遇到的问题就是变量的作用域问题,函数内部的私有变量 需用通过 global 方法全局化。第二个是线程无序执行的问题,按我的理解,主线程就是一条生产线,有AB先后两个生产环节,假设A环节安排5个人开工,就是多线程。遗憾的是,生产工具只有一套,同一时间只能一个人进行A环节生产,5个人都想着先完成工作于是抢占生产工具,当1个人抢到生产工具时,剩下的人就要等着。到最后,出现了两个问题:一是5个人都完成了A环节的工作,但是我们没有办法得知谁先谁后;二是而且5个人在进行A环节的同时,B环节也在进行,就会出现:B环节结束了,A环节还有人没有完成任务。为了解解决两个问题,就需要按顺序把子线程放进列表,然后逐一启动,然后再用线程的join()方法,让A环节之后的B环节等着,等着5个人都完成了,才能继续。
from urllib import request from bs4 import BeautifulSoup from openpyxl import Workbook import threading import re import time #功能函数 def get_title(url): global n #变量全局化 global pageindex #变量全局化 #global ws #为什么声明与不声明都一样? try: #打开网页,保存试卷标题和链接 r=request.urlopen(url,timeout=10) #打开网页,设置超时 response s=r.read() #读取网页源码 js=s.decode('utf-8') #网页转码 soup=BeautifulSoup(js,'lxml') #网页解析 #正则查找子节点 for a in soup.find_all('a',href=re.compile(r'http://blog.sina.com.cn/s/blog')): n+=1 #计数 ws.cell(row=n+1,column=1).value=n #写入序号 ws.cell(row=n+1,column=2).value=a.string #写入标题 ws.cell(row=n+1,column=3).value=a.get('href') #写入链接 print("download succeed >>>>"+url+' ') #正常输出 except Exception as e: print("download failed >>>>"+url+' ') #异常输出 if __name__ =='__main__':#主线程 start=time.time() #开始时间 filename='多线程标题与链接.xlsx' #Excel文件名 threads=[] #新建线程列表 wb=Workbook() #新建工作簿 ws=wb.active #活动工作表 n=0 #初始化计数 #输入表头 ws.cell(row=n+1,column=1).value='序号' ws.cell(row=n+1,column=2).value='标题' ws.cell(row=n+1,column=3).value='链接' #设置起止页码 pageindex=1 pagecount=10 #filename=str(pagecount)+filename while pageindex<=pagecount: url=u'http://blog.sina.com.cn/s/articlelist_xxxxxxxxx_0_'+str(pageindex)+'.html' t=threading.Thread(target=get_title,args=(url,))#添加子线程 threads.append(t) #加入线程列表 pageindex+=1 #下一页 for t in threads: t.setDaemon(True) #守护线程 必须在start()之前 t.start() #开始线程 #若t.join()放此处 则变成单线程 for t in threads: t.join() #线程等待 主线程必须在子线程执行结束之后 才能继续 wb.save(filename=filename) #保存工作簿 end=time.time() #结束时间 print('Usedtime %f seconds!' % (end-start) +' ') #输出耗时!
(五)多进程采集
在了解多线程的时候,sir也知道了多进程这个概念,也知道有人评价说多线程在python中是鸡肋一般的存在。要实现快速采集,需要使用多进程。多进程就好像是有5条流水线,可以同时开工,每条生产线之间相互独立。然后sir又遇到了一个问题,上面的例子中,不同子线程可以操作同一个worksheet工作表,因为线程在一个时间段内始终有先后。但是进程确实同时发生的,必然就出现多个进程同时写入worksheet的问题,造成紊乱。于是就有了共享变量的问题。一般的变量可以用共享变量的办法,比如一个整型变量或者一个数组(事先确定大小),但是python里的高级对象,如列表,字典等等就需要使用multiprocessing.Manager()进行托管。这样才能在不同进程之间共享。sir在此处遇到了一些问题,比如列表如何托管,第三方包的对象worksheet如何托管?经过尝试之后,字典对象托管成功了。大致思路就是多进程,托管字典,爬完了数据再将字典的数据写入worksheet。因为入门没几天,还在用pythonIDLE导致多进程无法测试。需要关闭py文件之后双击里运行。
from urllib import request from bs4 import BeautifulSoup import re import time import multiprocessing import os from openpyxl import Workbook ################################################################ def get_title(url,n,d): try: r=request.urlopen(url,timeout=10) s=r.read() js=s.decode('utf-8') soup=BeautifulSoup(js,'lxml') for a in soup.find_all('a',href=re.compile(r'http://blog.sina.com.cn/s/blog')): n.value+=1 d[n.value]=(n.value,str(a.string),str(a.get('href'))) print('request succeed : '+ url) except Exception as e: print('request failed : '+ url) ################################################################ def execute_func(q,n,lock,d): while True: url=q.get() #lock.acquire() get_title(url,n,d) #lock.release() q.task_done() ################################################################ def in_queue(urls,q): for url in urls: print("添加到队列"+url) q.put(url)#把url放入队列 ################################################################ if __name__ =='__main__': os.system("pause") start=time.time() filename='博文目录.xlsx' wb=Workbook() ws=wb.active n=multiprocessing.Value('i',0) d = multiprocessing.Manager().dict() lock=multiprocessing.Lock() q=multiprocessing.JoinableQueue()#创建队列 pageindex=1 pagecount=398 urls=[]#URL列表 while pageindex<=pagecount: url=u'http://blog.sina.com.cn/s/articlelist_xxxxxxxxxx_0_'+str(pageindex)+'.html' urls.append(url) pageindex+=1 for i in range(10): #添加多个子进程,执行同一个函数 p=multiprocessing.Process(target=execute_func,args=(q,n,lock,d)) p.daemon=True #守护进程 p.start() #启动进程 in_queue(urls,q) print(">>>>>>>>>>添加队列完成>>>>>>>>>>") q.join() #等待队列里所有项被处理 ws.append(['Index','Title','Url']) print(">>>>>>>>>>爬取完成,正在写入excel>>>>>>>>>>") for v in d.values(): #print (v) ws.append(v) #print (d.values()) print(">>>>>>>>>>写入excel完成,正在保存>>>>>>>>>>") wb.save(filename=filename) end=time.time() #结束时间 print('Usedtime %f seconds!' % (end-start) +' ') #输出耗时! os.system("pause")
结果,花了80多秒,把一个博客400页的目录给爬下来。
(六)多进程多线程
为了验证自己的想法,sir把下载图片的函数放进了线程,嵌套在上面的例子里,也不知道算什么东西了。结果就是下载好快。然后把shell关闭了,我以为了终止了脚本,但线程还在不断地执行,按照那样的爬取速度,sir的C盘一会就得满。不知所措的我只好选择了关机……
不是科班出身并非理由,好些概念、原理都要现学现用,学习起来困难还是不小,继续努力~~~~~