普通爬虫vs多线程爬虫vs框架爬虫，Python爬对比
前言
本文的文字及图片过滤网络，可以学习，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。
Python爬虫、数据分析、网站开发等案例教程视频免费在线观看
https://space.bilibili.com/523606542
基本开发环境
- Python 3.6
- 皮查姆
目标网页分析
网站就选择发表情这个网站吧
网站是静态网页，所有的数据都保存在div标签中，爬取的难度不大。
根据标签提取其中的表情包url地址以及标题就可以了。
普通爬虫实现
import requestsimport parselimport redef change_title(title): pattern = re.compile(r"[\/\\\:\*\?\"\<\>\|]") # '/ \ : * ? " < > |' new_title = re.sub(pattern, "_", title) # 替换为下划线 return new_titlefor page in range(0, 201): url = f'https://www.fabiaoqing.com/biaoqing/lists/page/{page}.html' headers = { 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36' } response = requests.get(url=url, headers=headers) selector = parsel.Selector(response.text) divs = selector.css('.tagbqppdiv') for div in divs: img_url = div.css('a img::attr(data-original)').get() title_ = img_url.split('.')[-1] title = div.css('a img::attr(title)').get() new_title = change_title(title) + title_ img_content = requests.get(url=img_url, headers=headers).content path = 'img\\' + new_title with open(path, mode='wb') as f: f.write(img_content) print(title)
代码简单的说明：
1，标题的替换，因为有一些图片的标题，其中会包含特殊字符，在创建文件的时候特殊字符是不能命名的，所以需要使用正则把有可能出现的特殊字符替换掉。
divs = selector.css('.tagbqppdiv') for div in divs: img_url = div.css('a img::attr(data-original)').get() title_ = img_url.split('.')[-1] title = div.css('a img::attr(title)').get() new_title = change_title(title) + title_
2，翻页爬取以及模拟浏览器请求网页
img_content = requests.get(url=img_url, headers=headers).content path = 'img\\' + new_title with open(path, mode='wb') as f: f.write(img_content) print(title)
翻页多点击下一页看一下url地址的变化就可以找到相对应规律了，网站是get请求方式，使用请求请求网页即可，加上标题请求头，伪装浏览器请求，如果不加，网站会识别出你是python爬虫程序请求访问的，不过对于这个网站，其实加不加都差不多的。
3，解析数据提取想要的数据
img_content = requests.get(url=img_url, headers=headers).content path = 'img\\' + new_title with open(path, mode='wb') as f: f.write(img_content) print(title)
这里我们使用的是parsel解析库，用的是css选择器解析的数据。
就是根据标签属性提取相对应的数据内容。
4，保存数据
img_content = requests.get(url=img_url, headers=headers).content path = 'img\\' + new_title with open(path, mode='wb') as f: f.write(img_content) print(title)
请求表情包url地址，返回获取内容二进制数据，图片，视频，文件等等都是二进制数据保存的。如果是文字则是text。
path就是文件保存的路径，因为是二进制数据，所以保存方式是wb。
多线程爬虫实现
import requestsimport parselimport reimport concurrent.futuresdef get_response(html_url): """模拟浏览器请求网址，获得网页源代码""" headers = { 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36' } response = requests.get(url=html_url, headers=headers) return responsedef change_title(title): """正则匹配特殊字符标题""" pattern = re.compile(r"[\/\\\:\*\?\"\<\>\|]") # '/ \ : * ? " < > |' new_title = re.sub(pattern, "_", title) # 替换为下划线 return new_titledef save(img_url, title): """保存表情到本地文件""" img_content = get_response(img_url).content path = 'img\\' + title with open(path, mode='wb') as f: f.write(img_content) print(title)def main(html_url): """主函数""" response = get_response(html_url) selector = parsel.Selector(response.text) divs = selector.css('.tagbqppdiv') for div in divs: img_url = div.css('a img::attr(data-original)').get() title_ = img_url.split('.')[-1] title = div.css('a img::attr(title)').get() new_title = change_title(title) + title_ save(img_url, new_title)if __name__ == '__main__': executor = concurrent.futures.ThreadPoolExecutor(max_workers=5) for page in range(0, 201): url = f'https://www.fabiaoqing.com/biaoqing/lists/page/{page}.html' executor.submit(main, url) executor.shutdown()
简单的代码说明：
其实在前文已经有铺垫了，多线程爬虫就是把每一块都封装成函数，让它每一块代码都有它的作用，然后通过线程模块启动就好。
executor = concurrent.futures.ThreadPoolExecutor(max_workers=5)
最大的线程数
scrapy框架爬虫实现
关于scrapy框架项目的创建这里只是不过多讲了，之前文章有详细讲解过，scrapy框架项目的创建，可以点击下方链接查看
简单使用scrapy爬虫框架批量采集网站数据
items.py
import scrapyfrom ..items import BiaoqingbaoItemclass BiaoqingSpider(scrapy.Spider): name = 'biaoqing' allowed_domains = ['fabiaoqing.com'] start_urls = [f'https://www.fabiaoqing.com/biaoqing/lists/page/{page}.html' for page in range(1, 201)] def parse(self, response): divs = response.css('#bqb div.ui.segment.imghover div') for div in divs: img_url = div.css('a img::attr(data-original)').get() title = div.css('a img::attr(title)').get() yield BiaoqingbaoItem(img_url=img_url, title=title)
middlewares.py
BOT_NAME = 'biaoqingbao'SPIDER_MODULES = ['biaoqingbao.spiders']NEWSPIDER_MODULE = 'biaoqingbao.spiders'DOWNLOADER_MIDDLEWARES = { 'biaoqingbao.middlewares.BiaoqingbaoDownloaderMiddleware': 543,}ITEM_PIPELINES = { 'biaoqingbao.pipelines.DownloadPicturePipeline': 300,}IMAGES_STORE = './images'
pipelines.py
import scrapyfrom ..items import BiaoqingbaoItemclass BiaoqingSpider(scrapy.Spider): name = 'biaoqing' allowed_domains = ['fabiaoqing.com'] start_urls = [f'https://www.fabiaoqing.com/biaoqing/lists/page/{page}.html' for page in range(1, 201)] def parse(self, response): divs = response.css('#bqb div.ui.segment.imghover div') for div in divs: img_url = div.css('a img::attr(data-original)').get() title = div.css('a img::attr(title)').get() yield BiaoqingbaoItem(img_url=img_url, title=title)
setting.py
BOT_NAME = 'biaoqingbao'SPIDER_MODULES = ['biaoqingbao.spiders']NEWSPIDER_MODULE = 'biaoqingbao.spiders'DOWNLOADER_MIDDLEWARES = { 'biaoqingbao.middlewares.BiaoqingbaoDownloaderMiddleware': 543,}ITEM_PIPELINES = { 'biaoqingbao.pipelines.DownloadPicturePipeline': 300,}IMAGES_STORE = './images'
标清
import scrapyfrom ..items import BiaoqingbaoItemclass BiaoqingSpider(scrapy.Spider): name = 'biaoqing' allowed_domains = ['fabiaoqing.com'] start_urls = [f'https://www.fabiaoqing.com/biaoqing/lists/page/{page}.html' for page in range(1, 201)] def parse(self, response): divs = response.css('#bqb div.ui.segment.imghover div') for div in divs: img_url = div.css('a img::attr(data-original)').get() title = div.css('a img::attr(title)').get() yield BiaoqingbaoItem(img_url=img_url, title=title)
简单总结：
三个程序的最大的区别就在于在于爬取速度的相对，但是如果从写代码的时间上面来计算的话，普通是最简单的，因为对于这样的静态网站根本不需要调试，可以从头写到位，加上空格一共也就是29行的代码。
赞 (0)