多线程爬取百度百科

标签：cursor   删除   soup   roc   local   pil   而且   com   rtl   

• 前言：
  EVERNOTE里的一篇笔记，我用了三个博客才学完...真的很菜...百度百科和故事网并没有太过不一样，修改下编码，debug下，就可以爬下来了，不过应该是我爬的东西太初级了，而且我爬到3000多条链接时，好像被拒绝了...爬取速度也很慢，估计之后要接触一些优化或者多进程，毕竟python是假的多线程。
  本博客参照代码及PROJECT来源：http://kexue.fm/archives/4385/

• 源代码：

   1 #! -*- coding:utf-8 -*-
   2 import requests as rq
   3 import re
   4 import time
   5 import datetime
   6 from multiprocessing.dummy import Pool,Queue
   7 import pymysql
   8 from urllib import parse
   9 import html
  10 import importlib
  11 from urllib.request import urlopen
  12 from bs4 import BeautifulSoup
  13 unescape = html.unescape #用来实现对HTML字符的转移
  14 
  15 tasks = Queue()
  16 tasks_pass = set() #已队列过的链接
  17 tasks.put(‘http://baike.baidu.com/item/科学‘)
  18 count = 0 #已爬取页面总数
  19 
  20 url_split_re = re.compile(‘&|\+‘)
  21 def clean_url(url):
  22     url = parse.urlparse(url)
  23     return url_split_re.split(parse.urlunparse((url.scheme, url.netloc, url.path, ‘‘, ‘‘, ‘‘)))[0]
  24 
  25 def main():
  26     global count,tasks_pass
  27     while True:
  28         url = tasks.get() #取出一个url，并且在队列中删除掉
  29         web = rq.get(url).content.decode(‘utf8‘,‘ignore‘)
  30         urls = re.findall(u‘href="(/item/.*?)"‘, web) #查找所有站内链接
  31         for u in urls:
  32             try:
  33                 u = rq.get(u).content.decode(‘utf8‘)
  34             except:
  35                 pass
  36             u = ‘http://baike.baidu.com‘ + u
  37             u = clean_url(u)
  38             if (u not in tasks_pass): #把还没有队列过的链接加入队列
  39                 tasks.put(u)
  40                 tasks_pass.add(u)
  41             web1 = rq.get(u).content.decode(‘utf8‘, ‘ignore‘)
  42             bsObj = BeautifulSoup(web1, "lxml")
  43             text = bsObj.title.get_text()
  44             print(datetime.datetime.now(), ‘   ‘, u, ‘   ‘, text)
  45             db = pymysql.connect("localhost", "testuser", "test123", "TESTDB", charset=‘utf8‘)
  46             dbc = db.cursor()
  47             sql = "insert ignore into baidubaike(url,title) values(%s,%s);"
  48             data = (u, text)
  49             dbc.execute(sql, data)
  50             dbc.close()
  51             db.commit()
  52         count += 1
  53         if count % 100 == 0:
  54             print(u‘%s done.‘ % count)
  55 
  56 pool = Pool(4, main) #多线程爬取，4是线程数
  57 total = 0
  58 while True: #这部分代码的意思是如果20秒内没有动静，那就结束脚本
  59     time.sleep(60)
  60     if len(tasks_pass) > total:
  61         total = len(tasks_pass)
  62     else:
  63         break
  64 
  65 pool.terminate()
  66 print("terminated normally")

   

• BUG：
  

  raise RemoteDisconnected("Remote end closed connection without" http.client.RemoteDisconnected: Remote end closed connection without response

  问题在于没有伪装请求头

  来源：http://blog.csdn.net/u013424864/article/details/60778031
  
  

多线程爬取百度百科

标签：cursor   删除   soup   roc   local   pil   而且   com   rtl   

原文地址：http://www.cnblogs.com/vorphan/p/7476431.html