码迷,mamicode.com
首页 > 编程语言 > 详细

python多线程爬取图片实例

时间:2019-07-03 13:54:01      阅读:177      评论:0      收藏:0      [点我收藏+]

标签:format   import   lxml   查找   time()   匹配   pip   https   with open   

今天试着把前面那个爬取图片的爬虫改成了多线程爬取,虽然最后可以爬取存储图片了,但仍存在一些问题。网址还是那个网址https://www.quanjing.com/category/1286521/1.html,

下面是代码,难点直接在后面注释了。

# 多线程爬取,每个线程爬取一个页面
import requests
import threading
import queue
from bs4 import BeautifulSoup
import re
import time

string = "https://www.quanjing.com/category/1286521/"
pipei = re.compile(‘<img.*?lowsrc="(.*?)"‘)


class spiders(threading.Thread):
    name = 1  # 累加变量,用来给每张图片命名

    def __init__(self, queue, page):
        threading.Thread.__init__(self)
        self.queue = queue
        self.page = page

    def run(self):      # 定义线程开始函数
        while not self.queue.empty():
            url = self.queue.get_nowait()
            # print(url)
            self.request_url(url)

    def request_url(self, url):     # 爬取并存储每一页的图片
        html = requests.get(url=url).text
        soup = BeautifulSoup(html, ‘lxml‘)
        li = str(soup.find_all(attrs={‘class‘: "gallery_list"}))    # 根据class标签属性找出所有的图片链接
        lianjies = re.findall(pipei, li)        # 正则匹配出一页中每一个图片的链接
        for lianjie in lianjies:
            result = requests.get(url=lianjie).content  # 获取图片的二进制数据
            # 以二进制的方式存储图片
            with open(‘E:\py project\quanjingwang\image{0}\{1}.jpg‘.format(self.page, self.name), ‘ab+‘) as f:
                f.write(result)
            print("第{0}张存储完成".format(self.name))
            self.name += 1  # 命名

# 创建多线程函数


def main():
    url_queue = queue.Queue()
    for i in range(1, 11):
        url = string + str(i) + ".html"
        url_queue.put(url)
    thread_list = []    # 线程列表
    thread_counter = 5  # 线程数量,根据线程数量在相同目录下创建image0-4五个文件夹,用于存储对应线程的爬取结果,image0对应线程1
    for i in range(thread_counter):
        t = spiders(url_queue, i)
        thread_list.append(t)
    for t in thread_list:
        t.start()
    # for t in thread_list:
    #     print("线程id:%d" % t.ident)      # 获取线程id
    #     print("线程name:%s" % t.getName()) # 获取线程名
    for t in thread_list:
        t.join()


if __name__ == ‘__main__‘:
    start_time = time.time()
    main()
    print("五线程用时:%f" % (time.time() - start_time))

 刚开始,我想把爬取的所有图片都放在一个文件夹了,但却由于命名的问题,总是被覆盖,每次都只有一页的图片,最后用类中的静态变量解决(name)。不过就在刚在突然想到完全可以换一种命名方式解决,比如每张图片都有一个自己的标题,用标题命名不但解决的这个问题,还更加直观、利用查找。(自己tcl。。。若文章有错误,欢迎大家随之指正。。。)

python多线程爬取图片实例

标签:format   import   lxml   查找   time()   匹配   pip   https   with open   

原文地址:https://www.cnblogs.com/liangxiyang/p/11125761.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!