推荐源哥和川川的新书：《Pyhton网络爬虫从入门到实战》

雨点打透心脏的1/2处 2024-04-24 20:41 31阅读 0赞

> ❤️作者主页：[小虚竹][Link 1]
> 
> ❤️作者简介：大家好,我是小虚竹。2022年度博客之星评选TOP 10?，Java领域优质创作者?，CSDN博客专家?，华为云享专家?，掘金年度人气作者?，阿里云专家博主?，51CTO专家博主?
> 
> ❤️技术活，该赏
> 
> ❤️点赞 ? 收藏 ⭐再看，养成习惯

老规矩，文末有送书的规则~~

#### 文章目录 ####

*  零：前言
 *  一、进程和线程
 *  二、Python中的多线程与单线程
 *  三、单线程改为多线程
 *  四、图书推荐
 *  五、粉丝福利
 *   *  福利0
     *  福利1

## 零：前言 ##

在使用爬虫爬取数据的时候，当需要爬取的数据量比较大，且急需很快获取到数据的时候，可以考虑将单线程的爬虫写成多线程的爬虫。下面来学习一些它的基础知识和代码编写方法。

## 一、进程和线程 ##

进程可以理解为是正在运行的程序的实例。进程是拥有资源的独立单位，而线程不是独立的单位。由于每一次调度进程的开销比较大，为此才引入的线程。一个进程可以拥有多个线程，一个进程中可以同时存在多个线程，这些线程共享该进程的资源，线程的切换消耗是很小的。因此在操作系统中引入进程的目的是更好地使多道程序并发执行，提高资源利用率和系统吞吐量;而引入线程的目的则是减小程序在并发执行时所付出的时空开销，提高操作系统的并发性能。

下面用简单的例子进行描述，打开本地计算机的”任务管理器”如图1所示，这些正在运行的程序叫作进程。如果将一个进程比喻成一个工作，指定10个人来做这份工作，这10个人就是10个线程。因此，在一定的范围内，多线程效率比单线程效率更高。

![在这里插入图片描述][7b1aa278c7e7414b935e5a07928e1748.png]

## 二、Python中的多线程与单线程 ##

在我们平时学习的过程中，使用的主要是单线程爬虫。一般来说，如果爬取的资源不是特别大，使用单线程即可。在Python中，默认情况下是单线程的，简单理解为：代码是按顺序依次运行的，比如先运行第一行代码，再运行第二行，依次类推。在前面章节所学习知识中，都是以单线程的形式实践的。

举个例子，批量下载某网站的图片，由于下载图片是一个耗时的操作，如果依然采用单线程的方式下载，那么效率就会特别低，意味着需要消耗更多的时间等待下载。为了节约时间，这时候我们就可以考虑使用多线程的方式来下载图片。

threading模块是Python中专门用来做多线程编程的模块，它对thread进行了封装,使用更加方便。例如需要对写代码和玩游戏两个事件使用多线程进行，案例代码如下。

import threading
    import time
    # 定义第一个
    def coding():
        for x in range(3):
            print('%s正在写代码\n' % x)
            time.sleep(1)
    # 定义第二个
    def playing():
        for x in range(3):
            print('%s正在玩游戏\n' % x)
            time.sleep(1)
    # 如果使用多线程执行
    def multi_thread():
        start = time.time()
        #  Thread创建第一个线程，target参数为函数命
        t1 = threading.Thread(target=coding)
        t1.start()  # 启动线程
        # 创建第二个线程
        t2 = threading.Thread(target=playing)
        t2.start()
        # join是确保thread子线程执行完毕后才能执行下一个线程
        t1.join()
        t2.join()
        end = time.time()
        running_time = end - start  
        print('总共运行时间 : %.5f 秒' % running_time)
    # 执行
    if __name__ == '__main__':
        multi_thread()  # 执行单线程

运行结果如图所示。

![在这里插入图片描述][0713c8c1b043437ba2042ad0271c5571.png]

那么执行单线程会消耗多少时间，案例代码如下所示。

import time
    # 定义第一个
    def coding():
        for x in range(3):
            print('%s正在写代码\n' % x)
            time.sleep(1)
    # 定义第二个
    def playing():
        start = time.time()
        for x in range(3):
            print('%s正在玩游戏\n' % x)
            time.sleep(1)
        end = time.time()
        running_time = end - start
        print('总共运行时间 : %.5f 秒' % running_time)
    def single_thread():
        coding()
        playing()
    # 执行
    if __name__ == '__main__':
        single_thread()  # 执行单线程

运行结果如图3所示。

![在这里插入图片描述][d8ed64917c47463ab61bb62636b2894b.png]

经过以上多线程和单线程的运行结果，可以看出多线程中写代码和玩游戏是一起执行的，单线程中则是先写代码再玩游戏。从时间上来说，可能只有细微的差距，当执行工作量很大的时候，便会发现多线程消耗的时间会更少，从这个案例中我们也可以知道，当所需要执行的任务并不多的时候，只需要编写单线程即可。

## 三、单线程改为多线程 ##

以某直播的图片爬取为例，案例代码如下。

import requests
    from lxml import etree
    import time
    import os
    
    dirpath = '图片/'
    if not os.path.exists(dirpath):
        os.mkdir(dirpath)  # 创建文件夹
    
    header = {
        
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36'
    }
    def get_photo():
        url = 'https://www.huya.com/g/4079/'  # 目标网站
        response = requests.get(url=url, headers=header)  # 发送请求
        data = etree.HTML(response.text)  # 转化为html格式
        return data
    
    def jiexi():
        data = get_photo()
        image_url = data.xpath('//a//img//@data-original')
        image_name = data.xpath('//a//img[@class="pic"]//@alt')
        for ur, name in zip(image_url, image_name):
            url = ur.replace('?imageview/4/0/w/338/h/190/blur/1', '')
            title = name + '.jpg'
            response = requests.get(url=url, headers=header)  # 在此发送新的请求
            with open(dirpath + title, 'wb') as f:
                f.write(response.content)
            print("下载成功" + name)
            time.sleep(2)
    
    if __name__ == '__main__':
            jiexi()

如果需要修改为多线程爬虫，只需要修改主函数即可，例如创建4个线程进行爬取，案例代码如下所示。

if __name__ == "__main__":
        threads = []
        start = time.time()
        # 创建四个进程
        for i in range(1, 5):
            thread = threading.Thread(target=jiexi(), args=(i,))
            threads.append(thread)
            thread.start()
        for thread in threads:
            thread.join()
        end = time.time()
        running_time = end - start
        print('总共消耗时间 : %.5f 秒' % running_time)
        print("全部完成!")  # 主程序

## 四、图书推荐 ##

![在这里插入图片描述][0346152ce6ff4a6099c35ba7c662c053.png_pic_center]

本书介绍了Python3网络爬虫的常见技术。首先介绍了网页的基础知识，然后介绍了urllib、Requests请求库以及XPath、Beautiful Soup等解析库，接着介绍了selenium对动态网站的爬取和Scrapy爬虫框架，最后介绍了Linux基础，便于读者自主部署编写好的爬虫脚本。

本书主要面向对网络爬虫感兴趣的初学者。

**大咖推荐**  
![在这里插入图片描述][937f93864b8c43da9573155fa98d8db9.jpeg_pic_center]

**作者介绍**

![在这里插入图片描述][f45000b025064e5ca9e6b5237c171de2.jpeg_pic_center]

**内容结构及配套资源**

![在这里插入图片描述][a851a3119a4946cdb053c4cd246e4eeb.jpeg_pic_center]

## 五、粉丝福利 ##

回馈粉丝们的支持，送《Pyhton网络爬虫从入门到实战》实体书给3位粉丝。一起学习！

### 福利0 ###

虚竹哥直接送1本好书，参与好评送书~

参与好评送书：随机抽取1位幸运读者，送一本《Pyhton网络爬虫从入门到实战》实体书

统计截止时间：2023/09/19 19:00:00

请中奖的读者统计截止时间过后7天内私信虚竹哥收货地址，过期奖励作废哈！

### 福利1 ###

来虚竹哥公众号的同标题文章，参与好评送书~~（新号，参与人不多，中奖概率很高）  
公众号 ：[传送门–》][Link 2]  
公众号 ：[传送门–》][Link 2]  
公众号 ：[传送门–》][Link 2]  
参与好评送书：随机抽取2位幸运读者，各送一本《Pyhton网络爬虫从入门到实战》实体书

统计截止时间：2023/09/19 19:00:00  
请中奖的读者统计截止时间过后7天内私信虚竹哥收货地址，过期奖励作废哈！

我是宠粉的虚竹哥，请继续支持我，哈哈哈~

[Link 1]: https://xiaoxuzhu.blog.csdn.net/
[7b1aa278c7e7414b935e5a07928e1748.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/bdaf807f60e849889d614353c6b22d77.png
[0713c8c1b043437ba2042ad0271c5571.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/6428cd00dd564d42923a1b3eaef72224.png
[d8ed64917c47463ab61bb62636b2894b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/659d969aa7ef4a75b662e9c6dc9296b8.png
[0346152ce6ff4a6099c35ba7c662c053.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/286861554f564a08b3d033964c049a58.png
[937f93864b8c43da9573155fa98d8db9.jpeg_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/99f47d33564b42d8aa5a67f6af48f1d5.jpeg
[f45000b025064e5ca9e6b5237c171de2.jpeg_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/e2982d512c574fda97b8168e91d325ac.jpeg
[a851a3119a4946cdb053c4cd246e4eeb.jpeg_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/32c3d75e9248408f90c3f767098fda1e.jpeg
[Link 2]: https://bbs.csdn.net/topics/611175348