一、背景介绍

大家好，我是皮皮。对于不同的数据我们使用的抓取方式不一样,图片,视频,音频,文本,都有所不同,由于网站图片素材过多,所以今天我们使用多线程的方式采集某站4K高清壁纸。

二、页面分析

目标网站：

http://www.bizhi88.com/3840x2160/

如图所示，有278个页面,这里我们爬取前100页的壁纸图片，保存到本地；

解析页面

如图所示所哟鱼的图片在一个大盒子里面（

）,下面每一个div就对应一张高清壁纸；

然后每页div标签里面的壁纸图片数据的各种信息:1.链接;2.名称;下面是xpath的解析;

imgLink = each.xpath(\"./a[1]/img/@data-original\")[0]
name = each.xpath(\"./a[1]/img/@alt\")[0]

有一个注意点:

图片标签有src属性也有data-original属性，都对应图片的url地址，我们一般使用后者，因为data-original-src是自定义属性，图片的实际地址，而src属性需要页面加载完全才会全部显现，不然得不到对应地址；

三、抓取思路

上面已经说过，图片数据过多，我们不可能写个for循环一个一个的下载，所以必然要使用多线程或者是多进程，然后把这么多的数据队列丢给线程池或者进程池去处理；在python中，multiprocessing Pool进程池，multiprocessing.dummy非常好用，

• multiprocessing.dummy 模块：dummy 模块是多线程；
• multiprocessing 模块：multiprocessing 是多进程；

multiprocessing.dummy 模块与 multiprocessing 模块两者的api 都是通用的；代码的切换使用上比较灵活；

页面url规律：

\'http://www.bizhi88.com/s/470/1.html\' # 第一页
\'http://www.bizhi88.com/s/470/2.html\' # 第二页
\'http://www.bizhi88.com/s/470/3.html\' # 第三页

构建的url:

page = \'http://www.bizhi88.com/s/470/{}.html\'.format(i)

那么我们定制两个函数一个用于爬取并且解析页面（spider），一个用于下载数据 (download)，开启线程池，使用for循环构建13页的url,储存在列表中，作为url队列，使用pool.map()方法进行spider,爬虫的操作;

   def map(self, fn, *iterables, timeout=None, chunksize=1):
        \"\"\"Returns an iterator equivalent to map(fn, iter)”“”
    这里我们的使用是：pool.map(spider,page) # spider:爬虫函数；page:url队列

作用：将列表中的每个元素提取出来当作函数的参数，创建一个个进程，放进进程池中；

参数1：要执行的函数；

参数2：迭代器，将迭代器中的数字作为参数依次传入函数中；

四、数据采集

导入相关第三方库

from lxml import etree # 解析
import requests # 请求
from multiprocessing.dummy import Pool as ThreadPool # 并发
import time # 效率

页面数据解析

def spider(url):
    html = requests.get(url, headers=headers)
    selector = etree.HTML(html.text)
    contents = selector.xpath(\"//div[@class=\'flex-img auto mt\']/div\")
    item = {}
    for each in contents:
        imgLink = each.xpath(\"./a[1]/img/@data-original\")[0]
        name = each.xpath(\"./a[1]/img/@alt\")[0]

        item[\'Link\'] = imgLink
        item[\'name\'] = name
        towrite(item)

download下载图片

def download_pic(contdict):
    name = contdict[\'name\']
    link = contdict[\'Link\']
    with open(\'img/\' + name + \'.jpg\',\'wb\') as f:
        data = requests.get(link)
        cont = data.content
        f.write(cont)
        print(\'图片\' + name + \'下载成功!\')

main() 主函数

   pool = ThreadPool(6)
    page = []
    for i in range(1, 101):
        newpage = \'http://www.bizhi88.com/s/470/{}.html\'.format(i)
        page.append(newpage)
    result = pool.map(spider, page)
    pool.close()
    pool.join()

说明：

0. 在主函数里我们首选创建了六个线程池；
1. 通过for循环动态构建100条url;
2. 使用map() 函数对线程池中的url进行数据解析存储操作；
3. 当线程池close的时候并未关闭线程池，只是会把状态改为不可再插入元素的状态；

五、程序运行

if __name__ == \'__main__\':
    start = time.time() # 开始计时
    main()
    print(end - start) # 时间差

结果如下：

当然了这里只是截取了部分图像，总共爬取了，2000+张图片。

六、总结

本次我们使用了多线程爬取了某壁纸网站的高清图片，如果使用requests很明显同步请求并且下载数据是比较慢的，所以我们使用多线程的方式去下载图片，提高了爬取效率。

来源：https://www.cnblogs.com/dcpeng/p/15956686.html
本站部分图文来源于网络，如有侵权请联系删除。