写在前面
这是我在接触爬虫后,写的第二个爬虫实例。
也是我在学习python后真正意义上写的第二个小项目,第一个小项目就是第一个爬虫了。
我从学习python到现在,也就三个星期不到,平时课程比较多,python是额外学习的,每天学习python的时间也就一个小时左右。
所以我目前对于python也不是特别了解,如果代码以及理解方面存在错误,欢迎大家的指正。
爬取的网站
这是一个推荐网络小说的网站。
https://www.tuishujun.com/
我之前用以下的代码实例,爬取了这个网站所有的小说数据,大概有十七万左右。
大概花了6个小时的时间,效率还是不错的,如果是在单线程的情况下,我估计在不停机24小时爬取的情况下,也需要几天。
我在刚开始写这个爬虫实例的时候,也遇到了很多问题,首先就是网上虽然有很多关于python多线程爬虫的东西,但...
除此之外,关于利用多线程操作数据库的爬虫实例也是比较少。
就解决以上问题,我找了很多资料,走了不少弯路,摸索了几天才写出了以下实例。
大家可以参考以下实例,进行拓展,写出属于自己的多线程爬虫。
需要注意的点:
在实例中我使用了ThreadPoolExecutor构造线程池的方式(大家可以找找这方面的资料看看),如果你在使用多线程的时候想要操作数据库存储数据,建议使用以上方式,要不然你会发现,在运行代码时出现各种各样的错误。
代码实例
import requests
import pymysql
import os
from lxml import etree
from fake_useragent import UserAgent
from concurrent.futures import ThreadPoolExecutor
class tuishujunSpider(object):
def __init__(self):
if not os.path.exists(\'db/tuishujun\'):
os.makedirs(\'db/tuishujun\')
else:
pass
self.f = open(\'./db/tuishujun/tuishujun.txt\', \'a\', encoding=\'utf-8\')
self.con = pymysql.connect(host=\'localhost\', user=\'root\', password=\'123456789\', database=\'novel\',
charset=\'utf8\', port=3306)
self.cursor = self.con.cursor()
self.cursor.execute(\" SHOW TABLES LIKE \'tuishujun\' \")
judge = self.cursor.fetchone()
if judge:
pass
else:
self.cursor.execute(\"\"\"create table tuishujun
( id BIGINT NOT NULL AUTO_INCREMENT,
cover VARCHAR(255),
name VARCHAR(255),
author VARCHAR(255),
source VARCHAR(255),
intro LONGTEXT,
PRIMARY KEY (id))
\"\"\")
self.con.commit()
self.cursor.close()
self.con.close()
def start(self, page):
con = pymysql.connect(
host=\'localhost\', user=\'root\', password=\'123456789\', database=\'novel\', charset=\'utf8\', port=3306)
cursor = con.cursor()
headers = {
\'User-Agent\': UserAgent().random
}
url = \'https://www.tuishujun.com/books/\' + str(page)
r = requests.get(url, headers=headers)
if r.status_code == 500:
return
else:
html = etree.HTML(r.text)
book = {}
book[\'id\'] = str(page)
try:
cover = html.xpath(\'//*[@id=\"__layout\"]/div/div[2]/div/div[1]/div/div[1]/div[1]/div[1]/img/@src\')[0]
except IndexError:
cover = \'\'
book[\'cover\'] = cover
name = \\
html.xpath(
\'//*[@id=\"__layout\"]/div/div[2]/div/div[1]/div/div[1]/div[1]/div[2]/div/div[1]/h3/text()\')[0]
book[\'name\'] = name
author = \\
html.xpath(
\'//*[@id=\"__layout\"]/div/div[2]/div/div[1]/div/div[1]/div[1]/div[2]/div/div[2]/a/text()\')[
0].strip()
author = author.replace(\"\\n\", \"\")
book[\'author\'] = author
source = \\
html.xpath(\'//*[@id=\"__layout\"]/div/div[2]/div/div[1]/div/div[1]/div[1]/div[2]/div/div[5]/text()\')[
0]
book[\'source\'] = source
intro = html.xpath(\'//*[@id=\"__layout\"]/div/div[2]/div/div[1]/div/div[1]/div[2]/text()\')[0]
intro = intro.replace(\" \", \"\")
intro = intro.replace(\"\\n\", \"\")
book[\'intro\'] = intro
self.f.write(str(book) + \'\\n\')
cursor.execute(\"insert into tuishujun(id,cover,name,author,source,intro) \"
\"values(%s,%s,%s,%s,%s,%s)\",
(book[\'id\'], book[\'cover\'], book[\'name\'], book[\'author\'],
book[\'source\'], book[\'intro\']))
con.commit()
cursor.close()
con.close()
print(book)
def run(self):
pages = range(1, 200000)
with ThreadPoolExecutor() as pool:
pool.map(self.start, pages)
if __name__ == \'__main__\':
spider = tuishujunSpider()
spider.run()
来源:https://www.cnblogs.com/ouhouyi/p/16412282.html
本站部分图文来源于网络,如有侵权请联系删除。