python利用多線程+隊(duì)列技術(shù)爬取中介網(wǎng)互聯(lián)網(wǎng)網(wǎng)站排行榜

更新時間：2022年05月17日 14:15:10 作者：??夢想橡皮擦????

這篇文章主要介紹了python利用多線程+隊(duì)列技術(shù)爬取中介網(wǎng)互聯(lián)網(wǎng)網(wǎng)站排行榜，文章基于python的相關(guān)內(nèi)容展開詳細(xì)介紹，具有一定的參考價值，需要的小伙伴可以參考一下

目標(biāo)站點(diǎn)分析

本次要抓取的目標(biāo)站點(diǎn)為：中介網(wǎng)，這個網(wǎng)站提供了網(wǎng)站排行榜、互聯(lián)網(wǎng)網(wǎng)站排行榜、中文網(wǎng)站排行榜等數(shù)據(jù)。

網(wǎng)站展示的樣本數(shù)據(jù)量是：58341。

采集頁面地址為 https://www.zhongjie.com/top/rank_all_1.html，

UI如下所示：

由于頁面存在一個【尾頁】超鏈接，所以直接通過該超鏈接獲取累計頁面即可。

其余頁面遵循簡單分頁規(guī)則：

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

基于此，本次Python爬蟲的解決方案如下，頁面請求使用 requests 庫，頁面解析使用 lxml，多線程使用 threading 模塊，隊(duì)列依舊采用 queue 模塊。

編碼時間

在正式編碼前，先通過一張圖將邏輯進(jìn)行梳理。

本爬蟲編寫步驟文字描述如下：

預(yù)先請求第一頁，解析出總頁碼；
通過生產(chǎn)者不斷獲取域名詳情頁地址，添加到隊(duì)列中；
消費(fèi)者函數(shù)從隊(duì)列獲取詳情頁地址，解析目標(biāo)數(shù)據(jù)。

總頁碼的生成代碼非常簡單

def get_total_page():
	# get_headers() 函數(shù)，可參考開源代碼分享數(shù)據(jù)
    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("http://a[@class='weiye']/@href")[0]
    pattern = re.compile('(\d+)')
    page = pattern.search(last_page)
    return int(page.group(1))

總頁碼生成完畢，就可以進(jìn)行多線程相關(guān)編碼，本案例未編寫存儲部分代碼，留給你自行完成啦，

完整代碼如下所示：

from queue import Queue
import time
import threading
import requests
from lxml import etree
import random
import re
def 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 headers


def 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("http://a[@class='weiye']/@href")[0]
    pattern = re.compile('(\d+)')
    page = pattern.search(last_page)
    return int(page.group(1))
# 生產(chǎn)者
def producer():
    while True:
        # 取一個分類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)
# 消費(fèi)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)
		# 數(shù)據(jù)提取，更多數(shù)據(jù)提取，可自行編寫 xpath 
        title = element.xpath('//div[@class="info-head-l"]/h1/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__":
    # 初始化一個隊(duì)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)
    # 開啟2個生產(chǎn)者線程
    for p_in in range(1, 3):
        p = threading.Thread(target=producer)
        p.start()
    # 開啟2個消費(fèi)者線程
    for p_in in range(1, 2):
        p = threading.Thread(target=consumer)
        p.start()

到此這篇關(guān)于python利用多線程+隊(duì)列技術(shù)爬取中介網(wǎng)互聯(lián)網(wǎng)網(wǎng)站排行榜的文章就介紹到這了,更多相關(guān)python爬取網(wǎng)站排行榜內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: