python怎么利用多线程+队列技术爬取中介网互联网网站排行榜

本篇内容介绍了“python怎么利用多线程+队列技术爬取中介网互联网网站排行榜”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

目标站点分析

本次要抓取的目标站点为：中介网，这个网站提供了网站排行榜、互联网网站排行榜、中文网站排行榜等数据。

网站展示的样本数据量是 ：58341。

采集页面地址为 https://www.zhongjie.com/top/rank_all_1.html，

UI如下所示： 

 由于页面存在一个【尾页】超链接，所以直接通过该超链接获取累计页面即可。

其余页面遵循简单分页规则：

https://www.zhongjie.com/top/rank_all_1.htmlhttps://www.zhongjie.com/top/rank_all_2.html

基于此，本次Python爬虫的解决方案如下，页面请求使用 requests 库，页面解析使用 lxml，多线程使用 threading 模块，队列依旧采用 queue 模块。

编码时间

在正式编码前，先通过一张图将逻辑进行梳理。

本爬虫编写步骤文字描述如下：

• 预先请求第一页，解析出总页码；

• 通过生产者不断获取域名详情页地址，添加到队列中；

• 消费者函数从队列获取详情页地址，解析目标数据。

总页码的生成代码非常简单

def get_total_page():# get_headers() 函数，可参考开源代码分享数据    res = requests.get(        'https://www.zhongjie.com/top/rank_all_1.html', headers=get_headers(), timeout=5)    element = etree.HTML(res.text)    last_page = element.xpath("//a[@class='weiye']/@href")[0]    pattern = re.compile('(\d+)')    page = pattern.search(last_page)    return int(page.group(1))

总页码生成完毕，就可以进行多线程相关编码，本案例未编写存储部分代码，留给你自行完成啦，

完整代码如下所示：

from queue import Queueimport timeimport threadingimport requestsfrom lxml import etreeimport randomimport redef get_headers():    uas = [        "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)",        "Mozilla/5.0 (compatible; Baiduspider-render/2.0; +http://www.baidu.com/search/spider.html)"    ]    ua = random.choice(uas)    headers = {        "user-agent": ua    }    return headersdef get_total_page():    res = requests.get(        'https://www.zhongjie.com/top/rank_all_1.html', headers=get_headers(), timeout=5)    element = etree.HTML(res.text)    last_page = element.xpath("//a[@class='weiye']/@href")[0]    pattern = re.compile('(\d+)')    page = pattern.search(last_page)    return int(page.group(1))# 生产者def producer():    while True:        # 取一个分类ID        url = urls.get()        urls.task_done()        if url is None:            break        res = requests.get(url=url, headers=get_headers(), timeout=5)        text = res.text        element = etree.HTML(text)        links = element.xpath('//a[@class="copyright_title"]/@href')        for i in links:            wait_list_urls.put("https://www.zhongjie.com" + i)# 消费者def consumer():    while True:        url = wait_list_urls.get()        wait_list_urls.task_done()        if url is None:            break        res = requests.get(url=url, headers=get_headers(), timeout=5)        text = res.text        element = etree.HTML(text)# 数据提取，更多数据提取，可自行编写 xpath         title = element.xpath('//div[@class="info-head-l"]/h2/text()')        link = element.xpath('//div[@class="info-head-l"]/p[1]/a/text()')        description = element.xpath('//div[@class="info-head-l"]/p[2]/text()')        print(title, link, description)if __name__ == "__main__":    # 初始化一个队列    urls = Queue(maxsize=0)    last_page = get_total_page()    for p in range(1, last_page + 1):        urls.put(f"https://www.zhongjie.com/top/rank_all_{p}.html")    wait_list_urls = Queue(maxsize=0)    # 开启2个生产者线程    for p_in in range(1, 3):        p = threading.Thread(target=producer)        p.start()    # 开启2个消费者线程    for p_in in range(1, 2):        p = threading.Thread(target=consumer)        p.start()

“python怎么利用多线程+队列技术爬取中介网互联网网站排行榜”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注编程网网站，小编将为大家输出更多高质量的实用文章！