python面向对象多线程爬虫爬取搜狐页面的实例代码

2019-11-25 14:37:43

字体：大中小

来源：转载

供稿：网友

首先我们需要几个包：requests, lxml, bs4, pymongo, redis

1. 创建爬虫对象，具有的几个行为：抓取页面，解析页面，抽取页面，储存页面

class Spider(object): def __init__(self):  # 状态(是否工作)  self.status = SpiderStatus.IDLE # 抓取页面 def fetch(self, current_url):  pass # 解析页面 def parse(self, html_page):  pass # 抽取页面 def extract(self, html_page):  pass # 储存页面 def store(self, data_dict):  pass

2. 设置爬虫属性，没有在爬取和在爬取中，我们用一个类封装， @unique使里面元素独一无二，Enum和unique需要从 enum里面导入：

@uniqueclass SpiderStatus(Enum): IDLE = 0 WORKING = 1

3. 重写多线程的类：

class SpiderThread(Thread): def __init__(self, spider, tasks):  super().__init__(daemon=True)  self.spider = spider  self.tasks = tasks def run(self):  while True:   pass

4. 现在爬虫的基本结构已经做完了，在main函数创建tasks， Queue需要从queue里面导入：

def main(): # list没有锁，所以使用Queue比较安全, task_queue=[]也可以使用,Queue 是先进先出结构, 即 FIFO task_queue = Queue() # 往队列放种子url, 即搜狐手机端的url task_queue.put('http://m.sohu,com/') # 指定起多少个线程 spider_threads = [SpiderThread(Spider(), task_queue) for _ in range(10)] for spider_thread in spider_threads:  spider_thread.start() # 控制主线程不能停下,如果队列里有东西，任务不能停, 或者spider处于工作状态，也不能停 while task_queue.empty() or is_any_alive(spider_threads):  pass print('Over')

4-1. 而 is_any_threads则是判断线程里是否有spider还活着，所以我们再写一个函数来封装一下:

def is_any_alive(spider_threads): return any([spider_thread.spider.status == SpiderStatus.WORKING    for spider_thread in spider_threads])

5. 所有的结构已经全部写完，接下来就是可以填补爬虫部分的代码，在SpiderThread(Thread)里面，开始写爬虫运行 run 的方法，即线程起来后，要做的事情：

 def run(self):  while True:   # 获取url   current_url = self.tasks_queue.get()   visited_urls.add(current_url)   # 把爬虫的status改成working   self.spider.status = SpiderStatus.WORKING   # 获取页面   html_page = self.spider.fetch(current_url)   # 判断页面是否为空   if html_page not in [None, '']:    # 去解析这个页面, 拿到列表    url_links = self.spider.parse(html_page)    # 把解析完的结构加到 self.tasks_queue里面来    # 没有一次性添加到队列的方法 用循环添加算求了    for url_link in url_links:     self.tasks_queue.put(url_link)   # 完成任务，状态变回IDLE   self.spider.status = SpiderStatus.IDLE

6. 现在可以开始写 Spider()这个类里面的四个方法，首先写fetch()抓取页面里面的：

@Retry() def fetch(self, current_url, *, charsets=('utf-8', ), user_agent=None, proxies=None):  thread_name = current_thread().name  print(f'[{thread_name}]: {current_url}')  headers = {'user-agent': user_agent} if user_agent else {}  resp = requests.get(current_url,       headers=headers, proxies=proxies)  # 判断状态码，只要200的页面  return decode_page(resp.content, charsets) /   if resp.status_code == 200 else None

6-1. decode_page是我们在类的外面封装一个解码的函数：

def decode_page(page_bytes, charsets=('utf-8',)): page_html = None for charset in charsets:  try:   page_html = page_bytes.decode(charset)   break  except UnicodeDecodeError:   pass   # logging.error('Decode:', error) return page_html

6-2. @retry是装饰器，用于重试, 因为需要传参，在这里我们用一个类来包装, 所以最后改成@Retry():

# retry的类，重试次数3次，时间5秒(这样写在装饰器就不用传参数类), 异常class Retry(object): def __init__(self, *, retry_times=3, wait_secs=5, errors=(Exception, )):  self.retry_times = retry_times  self.wait_secs = wait_secs  self.errors = errors # call 方法传参 def __call__(self, fn):  def wrapper(*args, **kwargs):   for _ in range(self.retry_times):    try:     return fn(*args, **kwargs)    except self.errors as e:     # 打日志     logging.error(e)     # 最小避让 self.wait_secs 再发起请求(最小避让时间)     sleep((random() + 1) * self.wait_secs)   return None  return wrapper()

7. 接下来写解析页面的方法，即 parse():

# 解析页面 def parse(self, html_page, *, domain='m.sohu.com'):  soup = BeautifulSoup(html_page, 'lxml')  url_links = []  # 找body的有 href 属性的 a 标签  for a_tag in soup.body.select('a[href]'):   # 拿到这个属性   parser = urlparse(a_tag.attrs['href'])   netloc = parser.netloc or domain   scheme = parser.scheme or 'http'   netloc = parser.netloc or 'm.sohu.com'   # 只爬取 domain 底下的   if scheme != 'javascript' and netloc == domain:    path = parser.path    query = '?' + parser.query if parser.query else ''    full_url = f'{scheme}://{netloc}{path}{query}'    if full_url not in visited_urls:     url_links.append(full_url)  return url_links

7-1. 我们需要在SpiderThread()的 run方法里面，在