Python 爬蟲學習筆記之多線程爬蟲

更新時間：2016年09月21日 10:03:24 作者：千里追風

本文給大家介紹的是python基于XPath實現(xiàn)多線程爬蟲的實例以及XPath的介紹安裝和簡單用法，非常的細致，有需要的小伙伴可以參考下

XPath 的安裝以及使用

1 . XPath 的介紹

剛學過正則表達式，用的正順手，現(xiàn)在就把正則表達式替換掉，使用 XPath，有人表示這太坑爹了，早知道剛上來就學習 XPath 多省事啊。其實我個人認為學習一下正則表達式是大有益處的，之所以換成 XPath ，我個人認為是因為它定位更準確，使用更加便捷?？赡苡械娜藢?XPath 和正則表達式的區(qū)別不太清楚，舉個例子來說吧，用正則表達式提取我們的內容，就好比說一個人想去天安門，地址的描述是左邊有一個圓形建筑，右邊是一個方形建筑，你去找吧，而使用 XPath 的話，地址的描述就變成了天安門的具體地址。怎么樣？相比之下，哪種方式效率更高，找的更準確呢？

2 . XPath 的安裝

XPath 包含在 lxml 庫中，那么我們到哪里去下載呢？點擊此處，進入網頁后按住 ctrl+f 搜索 lxml ，然后進行下載，下載完畢之后將文件拓展名改為 .zip ，然后進行解壓，將名為 lxml 的文件夾復制粘貼到 Python 的 Lib 目錄下，這樣就安裝完畢了。

3 . XPath 的使用

為了方便演示，我利用 Html 寫了個簡單的網頁，代碼如下所示（為了節(jié)省時間，方便小伙伴們直接進行測試，可直接復制粘貼我的代碼）

<!DOCTYPE html>
<html lang="en">
<head>
  <meta charset="UTF-8">
  <title>Test Html</title>
</head>
<body>
<div id="content">
  <ul id="like">
    <li>like one</li>
    <li>like two</li>
    <li>like three</li>
  </ul>

  <ul id="hate">
    <li>hate one</li>
    <li>hate two</li>
    <li>hate three</li>
  </ul>

  <div id="url">
    <a >百度一下</a>
    <a >好123</a>
  </div>
</div>

</body></html>

用谷歌瀏覽器打開這個網頁，然后右擊，選擇檢查，會出現(xiàn)如下所示界面

這個時候你鼠標右擊任何一行 html 代碼，都可以看到一個 Copy，將鼠標放上去，就可以看到 Copy XPath ，先復制下來，怎么用呢？

# coding=utf-8
from lxml import etree

f = open('myHtml.html','r')
html = f.read()
f.close()

selector = etree.HTML(html)
content = selector.xpath('//*[@id="like"]/li/text()')
for each in content:
  print each

看看打印結果

like one
like two
like three

很顯然，將我們想要的內容打印下來了，注意我們在 xpath() 中使用了 text() 函數，這個函數就是獲取其中的內容，但是如果我們想獲取一個屬性，該怎么辦？比如說我們想得到 html 中的兩個鏈接地址，也就是 href 屬性，我們可以這么操作

content = selector.xpath('//*[@id="url"]/a/@href')
for each in content:
  print each

這個時候的打印結果就是

http://www.baidu.com
http://www.hao123.com

看到現(xiàn)在大家大概也就對 xpath() 中的符號有了一定的了解，比如一開始的 // 指的就是根目錄，而 / 就是父節(jié)點下的子節(jié)點，其他的 id 屬性也是一步一步從上往下尋找的，由于這是一種樹結構，所以也難怪方法的名字為 etree()。

4 . XPath 的特殊用法

<!DOCTYPE html>
<html lang="en">
<head>
  <meta charset="UTF-8">
  <title>Title</title>
</head>
<body>
<div id="likeone">like one</div>
<div id="liketwo">like two</div>
<div id="likethree">like three</div>

</body>
</html>

面對上面的一個網頁，我們應該如何獲取到三行的內容的 ? 嗯哼，很簡單，我寫三個 XPath 語句不就好了，so easy 。如果真是這樣，那么我們的效率好像是太低了一點，仔細看看這三行 div 的 id 屬性，好像前四個字母都是 like, 那就好辦了，我們可以使用 starts-with 對這三行進行同時提取，如下所示

content = selector.xpath('//div[starts-with(@id,"like")]/text()')

不過這樣有一點麻煩的地方，我們就需要手動的去寫 XPath 路徑了，當然也可以復制粘貼下來在進行修改，這就是提升復雜度來換取效率的問題了。再來看看標簽嵌套標簽的提取情況

<!DOCTYPE html>
<html lang="en">
<head>
  <meta charset="UTF-8">
  <title>Title</title>
</head>
<body>

<div id="content">
  <div id="text">
    <p>hello
      <b> world
        <font color="#ffe4c4">
          Python
        </font>
      </b>
    </p>
  </div>
</div>

</body>
</html>

像上面這樣的一個網頁，如果我們想獲取到 hello world Python 語句，該怎么獲取呢？很明顯這是一種標簽嵌套標簽的情況，我們按照正常情況進行提取，看看結果如何

content = selector.xpath('//*[@id="text"]/p/text()')
for each in content:
  print each

運行之后，很遺憾的，只打印出了 hello 字樣，其他字符丟失了，該怎么辦呢？這種情況可以借助于 string(.)如下所示

content = selector.xpath('//*[@id="text"]/p')[0]
info = content.xpath('string(.)')
data = info.replace('\n','').replace(' ','')
print data

這樣就可以打印出正確內容了，至于第三行為什么存在，你可以將其去掉看看結果，到時候你自然就明白了。

Python 并行化的簡單介紹

有人說 Python 中的并行化并不是真正的并行化，但是多線程還是能夠顯著提高我們代碼的執(zhí)行效率，為我們節(jié)省下來一大筆時間，下面我們就針對單線程和多線程進行時間上的比較。

# coding=utf-8
import requests
from multiprocessing.dummy import Pool as ThreadPool
import time


def getsource(url):
  html = requests.get(url)

if __name__ == '__main__':
  urls = []
  for i in range(50, 500, 50):
    newpage = 'http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=' + str(i)
    urls.append(newpage)

  # 單線程計時
  time1 = time.time()
  for i in urls:
    print i
    getsource(i)
  time2 = time.time()

  print '單線程耗時 : ' + str(time2 - time1) + ' s'

  # 多線程計時
  pool = ThreadPool(4)
  time3 = time.time()
  results = pool.map(getsource, urls)
  pool.close()
  pool.join()
  time4 = time.time()
  print '多線程耗時 : ' + str(time4 - time3) + ' s'

打印結果為

http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=50
http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=100
http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=150
http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=200
http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=250
http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=300
http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=350
http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=400
http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=450
單線程耗時 : 7.26399993896 s
多線程耗時 : 2.49799990654 s

至于以上鏈接為什么設置間隔為 50，是因為我發(fā)現(xiàn)在百度貼吧上沒翻一頁，pn 的值就會增加 50。通過以上結果我們發(fā)現(xiàn)，多線程相比于單線程效率提升了太多太多。至于以上代碼中多線程的使用，我就不再過多講解，我相信只要接觸過 Java 的人對多線程的使用不會陌生，其實都是大差不差。沒有接觸過 Java ？那就對不起了，以上代碼請自行消化吧。

實戰(zhàn) -- 爬取當當網書籍信息

一直以來都在當當網購買書籍，既然學會了如何利用 Python 爬取信息，那么首先就來爬取一下當當網中的書籍信息吧。本實戰(zhàn)完成之后的內容如下所示

在當當網中搜索 Java ，出現(xiàn)了89頁內容，我選擇爬取了前 80 頁，而且為了比較多線程和單線程的效率，我特意在這里對二者進行了比較，其中單線程爬取所用時間為 67s，而多線程僅為 15s 。

如何爬取網頁，在上面 XPath 的使用中我們也已經做了介紹，無非就是進入網頁，右擊選擇檢查，查看網頁 html 代碼，然后尋找規(guī)律，進行信息的提取，在這里就不在多介紹，由于代碼比較短，所以在這里直接上源代碼。

# coding=utf8
import requests
import re
import time
from lxml import etree
from multiprocessing.dummy import Pool as ThreadPool
import sys

reload(sys)
sys.setdefaultencoding('utf-8')

def changepage(url, total):
  urls = []
  nowpage = int(re.search('(\d+)', url, re.S).group(1))
  for i in range(nowpage, total + 1):
    link = re.sub('page_index=(\d+)', 'page_index=%s' % i, url, re.S)
    urls.append(link)
  return urls

def spider(url):
  html = requests.get(url)
  content = html.text

  selector = etree.HTML(content)
  title = []
  title = selector.xpath('//*[@id="component_0__0__6612"]/li/a/@title')

  detail = []
  detail = selector.xpath('//*[@id="component_0__0__6612"]/li/p[3]/span[1]/text()')
  saveinfo(title,detail)

def saveinfo(title, detail):
  length1 = len(title)
  for i in range(0, length1 - 1):
    f.writelines(title[i] + '\n')
    f.writelines(detail[i] + '\n\n')

if __name__ == '__main__':
  pool = ThreadPool(4)
  f = open('info.txt', 'a')
  url = 'http://search.dangdang.com/?key=Java&act=input&page_index=1'
  urls = changepage(url, 80)

  time1 = time.time()
  pool.map(spider, urls)
  pool.close()
  pool.join()

  f.close()
  print '爬取成功！'
  time2 = time.time()
  print '多線程耗時 : ' + str(time2 - time1) + 's'

  # time1 = time.time()
  # for each in urls:
  #   spider(each)
  # time2 = time.time()
  # f.close()

  # print '單線程耗時 : ' + str(time2 - time1) + 's'

可見，以上代碼中的知識，我們都在介紹 XPath 和并行化中做了詳細的介紹，所以閱讀起來十分輕松。

好了，到今天為止，Python 爬蟲相關系列的文章到此結束，謝謝你的觀看。

您可能感興趣的文章: