奇怪的知识增加了

灰太狼 2023-06-26 10:38 35阅读 0赞

近日闲来无事，总有一种无形的力量萦绕在朕身边，让朕精神涣散，昏昏欲睡。  
![在这里插入图片描述][20191231140701310.png]  
可是，像朕这么有职业操守的社畜怎么能在上班期间睡瞌睡呢，我不禁陷入了沉思。。。。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ_size_16_color_FFFFFF_t_70]  
突然旁边的IOS同事问：‘嘿，兄弟，我发现一个网站的图片很有意思啊，能不能帮我保存下来提升我的开发灵感？’  
作为一个坚强的社畜怎么能说自己不行呢，当时朕就不假思索的答应：‘oh， It’s simple. Wait for me a few minute.’  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ_size_16_color_FFFFFF_t_70 1]  
点开同事给的图片网站，  
网站大概长这样：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ_size_16_color_FFFFFF_t_70 2]  
在朕翻看了几十页之后，朕突然觉得有点上头。心中一想’不对啊，朕不是来学习的吗？可是看美女图片这个事情怎么才可以和学习关联起来呢‘  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ_size_16_color_FFFFFF_t_70 3]  
冥思苦想一番之后，突然脑中灵光一闪，’要不用python写个爬虫吧，将此网站的图片一网打尽‘。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ_size_16_color_FFFFFF_t_70 4]  
说干就干，身体力行，要问爬虫哪家强，‘人生苦短，我用python’。  
首先找到我的电脑里面半年前下载的python安装包，无情的点击了安装，环境装好之后，略一分析网页结构。先撸一个简易版爬虫

#抓取爱小姐姐网图片保存到本地
    import requests
    from lxml import etree as et
    import os
    
    #请求头
    headers = { 
        #用户代理 
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'
    }
    
    #待抓取网页基地址
    base_url = ''
    #保存图片基本路径
    base_dir = 'D:/python/code/aixjj/'
    #保存图片
    def savePic(pic_url):
        #如果目录不存在，则新建
        if not os.path.exists(base_dir):
            os.makedirs(base_dir)
        
        arr = pic_url.split('/')
        file_name = base_dir+arr[-2]+arr[-1]
        print(file_name)
        #获取图片内容
        response = requests.get(pic_url, headers = headers)
        #写入图片
        with open(file_name,'wb') as fp:
            for data in response.iter_content(128):
                fp.write(data)
    
    #观察此网站总共只有62页，所以循环62次
    for k in range(1,63):
        #请求页面地址
        url = base_url+str(k)
        response = requests.get(url = url, headers = headers)
        #请求状态码
        code = response.status_code
        if code == 200:
            html = et.HTML(response.text)
            #获取页面所有图片地址
            r = html.xpath('//li/a/img/@src')
            #获取下一页url
            #t = html.xpath('//div[@class="page"]/a[@class="ch"]/@href')[-1]
            for pic_url in r:
                a = 'http:'+pic_url
                savePic(a)
        print('第%d页图片下载完成' % (k))
    
    print('The End!')

尝试运行爬虫，嘿，没想到行了：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ_size_16_color_FFFFFF_t_70 5]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ_size_16_color_FFFFFF_t_70 6]  
过了一会儿，旁边的哥们儿又来：‘嘿 bro 你这个可以是可以，就是速度太慢了啊，我的灵感会被长时间的等待磨灭，你给改进改进？’  
![在这里插入图片描述][20191231144917183.png]  
怎么提升爬虫的效率呢？略一思索，公司的电脑可是伟大的四核CPU啊，要不撸个多进程版本试试。然后就产生了下面这个多进程版本

#多进程版——抓取爱小姐姐网图片保存到本地
    
    import requests
    from lxml import etree as et
    import os
    import time
    from multiprocessing import Pool
    
    #请求头
    headers = { 
        #用户代理 
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'
    }
    
    #待抓取网页基地址
    base_url = ''
    #保存图片基本路径
    base_dir = 'D:/python/code/aixjj1/'
    
    #保存图片
    def savePic(pic_url):
        #如果目录不存在，则新建
        if not os.path.exists(base_dir):
            os.makedirs(base_dir)
        
        arr = pic_url.split('/')
        file_name = base_dir+arr[-2]+arr[-1]
        print(file_name)
        #获取图片内容
        response = requests.get(pic_url, headers = headers)
        #写入图片
        with open(file_name,'wb') as fp:
            for data in response.iter_content(128):
                fp.write(data)
    
    def geturl(url):
        #请求页面地址
        #url = base_url+str(k)
        response = requests.get(url = url, headers = headers)
        #请求状态码
        code = response.status_code
        if code == 200:
            html = et.HTML(response.text)
            #获取页面所有图片地址
            r = html.xpath('//li/a/img/@src')
            #获取下一页url
            #t = html.xpath('//div[@class="page"]/a[@class="ch"]/@href')[-1]
            for pic_url in r:
                a = 'http:'+pic_url
                savePic(a)
    
    if __name__ == '__main__':
        #获取要爬取的链接列表
        url_list = [base_url+format(i) for i in range(1,100)]
        a1 = time.time()
        #利用进程池方式创建进程，默认创建进程数量=电脑核数
        #自己定义进程数量方式 pool = Pool(4)
        pool = Pool()
        pool.map(geturl,url_list)
        pool.close()
        pool.join()
        b1 = time.time()
        print('运行时间：',b1-a1)

抱着试一试的心态，运行了多进程版本爬虫，嘿没想到又行了，在朕伟大的四核CPU的加持下，爬虫速度提升了3~4倍。  
又过了一会儿，那哥们儿又偏过头来：‘你这个快是快了不少，但是还不是最理想的状态，能不能一眨眼就能爬取百八十个图片，毕竟我的灵感来的快去的也快’

我：‘…’  
悄悄打开Google，搜索如何提升爬虫效率，给出结论：

> 多进程：密集CPU任务，需要充分使用多核CPU资源（服务器，大量的并行计算）的时候，用多进程。  
> 多线程：密集I/O任务（网络I/O，磁盘I/O，数据库I/O）使用多线程合适。

呵，我这可不就是I/O密集任务吗，赶紧写一个多线程版爬虫先。于是，又诞生了第三款：

import threading # 导入threading模块
    from queue import Queue #导入queue模块
    import time  #导入time模块
    import requests
    import os
    from lxml import etree as et
    
    #请求头
    headers = { 
        #用户代理 
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'
    }
    #待抓取网页基地址
    base_url = ''
    #保存图片基本路径
    base_dir = 'D:/python/code/aixjj/'
    
    #保存图片
    def savePic(pic_url):
        #如果目录不存在，则新建
        if not os.path.exists(base_dir):
            os.makedirs(base_dir)
        
        arr = pic_url.split('/')
        file_name = base_dir+arr[-2]+arr[-1]
        print(file_name)
        #获取图片内容
        response = requests.get(pic_url, headers = headers)
        #写入图片
        with open(file_name,'wb') as fp:
            for data in response.iter_content(128):
                fp.write(data)
    
    # 爬取文章详情页
    def get_detail_html(detail_url_list, id):
        while True:
            url = detail_url_list.get() #Queue队列的get方法用于从队列中提取元素
            response = requests.get(url = url, headers = headers)
            #请求状态码
            code = response.status_code
            if code == 200:
                html = et.HTML(response.text)
                #获取页面所有图片地址
                r = html.xpath('//li/a/img/@src')
                #获取下一页url
                #t = html.xpath('//div[@class="page"]/a[@class="ch"]/@href')[-1]
                for pic_url in r:
                    a = 'http:'+pic_url
                    savePic(a)
    
    # 爬取文章列表页
    def get_detail_url(queue):
        for i in range(1,100):
            #time.sleep(1) # 延时1s，模拟比爬取文章详情要快
            #Queue队列的put方法用于向Queue队列中放置元素，由于Queue是先进先出队列，所以先被Put的URL也就会被先get出来。
            page_url = base_url+format(i)
            queue.put(page_url)
            print("put page url {id} end".format(id = page_url))#打印出得到了哪些文章的url
    
    #主函数
    if __name__ == "__main__":
        detail_url_queue = Queue(maxsize=1000) #用Queue构造一个大小为1000的线程安全的先进先出队列
        #A线程负责抓取列表url
        thread = threading.Thread(target=get_detail_url, args=(detail_url_queue,)) 
        html_thread= []
        #另外创建三个线程负责抓取图片
        for i in range(20):
            thread2 = threading.Thread(target=get_detail_html, args=(detail_url_queue,i))
            html_thread.append(thread2)#B C D 线程抓取文章详情
        start_time = time.time()
        # 启动四个线程
        thread.start()
        for i in range(20):
            html_thread[i].start()
        # 等待所有线程结束，thread.join()函数代表子线程完成之前，其父进程一直处于阻塞状态。
        thread.join()
        for i in range(20):
            html_thread[i].join()
        print("last time: {} s".format(time.time()-start_time))#等ABCD四个线程都结束后，在主进程中计算总爬取时间。

粗略测试一下，得出结论： ‘Oh my god，这也太快了吧’。  
将多线程版本爬虫扔到同事QQ头像的脸上，并附文：‘拿去，速滚’

The End！

> 在现实中，我忍气吞声，不敢侮辱别人，在网络上，我重拳出击，辱骂网友，意气风发！  
> 天不生我键盘侠，喷道万古如长夜。  
> 键来！仙之巅，傲世间，有我键盘就有天，天下键仙三百万，遇我也需尽低眉，我为键帝自当镇压世间一切敌。  
> 谁在称无敌,哪个言不败，键化自在法。  
> 键来！大盘之键天上来，奔流扣字不复回，待到逆乱阴阳时，以我魔键扣青天，大天造化键…

[20191231140701310.png]: https://img-blog.csdnimg.cn/20191231140701310.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191231140846378.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20191231140609488.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20200312114810337.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20191231142821590.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20191231143332759.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/2019123114452374.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20191231144643802.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTgxNTAwMQ==,size_16,color_FFFFFF,t_70
[20191231144917183.png]: https://img-blog.csdnimg.cn/20191231144917183.png