如何让爬虫提速?多线程爬虫一秒50图了解一下

时间:2020-11-21 21:35:00 来源:互联网 作者: 神秘的大神 字体:

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

 

基本开发环境

  • Python 3.6
  • Pycharm
import requests
import parsel
import threading

 

相关模块 pip 安装即可

目标网页分析

 

这个网站有电脑壁纸也有手机壁纸,还是不错的。

 


网站是静态网站,没有加密,可以直接爬取

 

 

整体思路

1、先在列表页面获取每张壁纸的详情地址
2、在壁纸详情页面获取壁纸真实高清url地址
3、保存壁纸

代码实现

模拟浏览器请求网页,获取网页数据

def get_html(html_url):
    '''
    获取网页源代码
    :param html_url:  网页url
    :return:
    '''
    response = requests.get(url=html_url, headers=headers)
    return response

 

解析网页数据

def get_par(html_data):
    '''
    把 response.text 转换成 selector 对象 解析提取数据
    :param html_data:  response.text
    :return: selector 对象
    '''
    selector = parsel.Selector(html_data)
    return selector

 

保存数据

def download(img_url, title):
    '''
    保存数据
    :param img_url: 图片地址
    :param title: 图片标题
    :return:
    '''
    content = get_html(img_url).content
    path = '壁纸\\' + title + '.jpg'
    with open(path, mode='wb') as f:
        f.write(content)
        print('正在保存', title)

 

主函数

def main(url):
    '''
    主函数
    :param url: 列表页面 url
    :return:
    '''
    html_data = get_html(url).text
    selector = get_par(html_data)
    lis = selector.css('.wb_listbox div dl dd a::attr(href)').getall()
    for li in lis:
        img_data = get_html(li).text
        img_selector = get_par(img_data)
        img_url = img_selector.css('.wb_showpic_main img::attr(src)').get()
        title = img_selector.css('.wb_pictitle::text').get().strip()
        download(img_url, title)
    end_time = time.time() - s_time
    print(end_time)

 

启动多线程运行代码

if __name__ == '__main__':
    for page in range(1, 11):
        url = 'http://www.deskbizhi.com/min/list-{}.html'.format(page)
        main_thread = threading.Thread(target=main, args=(url,))
        main_thread.start()

 

这里只选择爬取前10页的数据

 

 


从运行截图和壁纸保存来看,5.5秒的时间,下载了215张图片,效率上面还是可以的,平均计算下来每秒钟下载40张图片。。。

可以自己去试试多线程爬取数据哈,效率还是非常高的