鱼C论坛

 找回密码
 立即注册
查看: 2180|回复: 4

如何制造多协程爬虫

[复制链接]
发表于 2020-8-28 13:14:17 | 显示全部楼层 |阅读模式
10鱼币
本帖最后由 风尘岁月 于 2020-8-28 13:16 编辑

最近学习了gevent
想做多协程
可是不知道咋做(做了很多次 都各种异常(其实我不知道咋搞))
代码如下:
from parsel import Selector
from random import randint
from time import time
import os,aiohttp,gevent


headers = {
    'user-agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36'

}

if not os.path.exists("image"):
    os.mkdir("image")

class Download(object):

    def mk_url(self,startnum,endnum):
        '''生成url'''
        for _ in range(startnum,endnum+1):
            base_url = 'https://anime-pictures.net/pictures/view_posts/{}?lang=en'.format(_)
            task_list =[]
            task_list.append(base_url)
            return task_list

    async def fetch_html(self,session, url):
       '''请求网页数据'''
       async with session.get(url) as response:
           return await response.text()

    async def fetch_img_data(self,session,url):
        '''请求图片数据'''
        async with session.get(url) as data:
            return await data.read()

    async def parser_data(self,session,html):
        '''处理数据'''
        selector = Selector(html)
        result_list = selector.xpath('//span[@class="img_block_big"]')

        for result in result_list:
            image_url = result.xpath('./a/picture/source/img/@src').extract_first()
            img_url = 'https:' + image_url  # 手动拼url
            content = await self.fetch_img_data(session,img_url)

            id = str(randint(0,99999999999999))
            try:
                with open('image\\' + id + os.path.splitext(img_url)[1], mode='wb') as f:
                    f.write(content)
                    print('保存完成',id)
            except Exception as e:
                print(e)

    async def start_save(self,url):
        async with aiohttp.ClientSession(headers=headers) as session:
            html = await self.fetch_html(session, url=url)
            await self.parser_data(session=session, html=html)

    # base_url = 'https://anime-pictures.net/pictures/view_posts/0?lang=en'

    async def download_pictures(self,startnum,endnum):
        for _ in range(startnum,endnum+1):
            url_list = self.mk_url(startnum,endnum)
            for url in url_list:
                base_url = url
                await self.start_save(base_url)

'''实例化'''
if __name__ == '__main__':
    print('任务启动中...')
    download = Download()
    s_time = time()
    g1 = gevent.spawn(download.download_pictures,1,2000),
    g2 = gevent.spawn(download.download_pictures, 2001, 4000),
    # g3 = await gevent.spawn(download.download_pictures, 4001, 6000),
    # g4 = await gevent.spawn(download.download_pictures, 6001, 8000),
    gevent.joinall([g1,g2])

    e_time = time()
    print('用时:',e_time - s_time,'秒')


改进出多协程就有重赏
谢谢各位鱼油


本帖被以下淘专辑推荐:

想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

 楼主| 发表于 2020-9-19 07:30:18 | 显示全部楼层
本帖最后由 风尘岁月 于 2020-9-19 09:21 编辑
from parsel import Selector
from random import randint
from time import time
import os,aiohttp,asyncio


headers = {
    'user-agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36'

}

path = os.path.dirname(__file__)
path = path + '/image'
if not os.path.exists(path):
    print('检测到没有容器')
    os.mkdir(path)
    print("生成完毕" + path)




class Download(object):

    def mk_url(self,startnum,endnum):
        '''生成url'''
        for _ in range(startnum,endnum+1):
            base_url = 'https://anime-pictures.net/pictures/view_posts/{}?lang=en'.format(_)
            task_list =[]
            task_list.append(base_url)
            return task_list

    async def fetch_html(self,session, url):
       '''请求网页数据'''
       async with session.get(url) as response:
           return await response.text()

    async def fetch_img_data(self,session,url):
        '''请求图片数据'''
        async with session.get(url) as data:
            return await data.read()

    async def parser_data(self,session,html):
        '''处理数据'''
        selector = Selector(html)
        result_list = selector.xpath('//span[@class="img_block_big"]')

        for result in result_list:
            image_url = result.xpath('./a/picture/source/img/@src').extract_first()
            img_url = 'https:' + image_url  # 手动拼url
            content = await self.fetch_img_data(session,img_url)

            id = str(randint(0,99999999999999))
            try:
                with open(path + '\\' + id + os.path.splitext(img_url)[1], mode='wb') as f:
                    f.write(content)
                    print('保存完成',id)
            except Exception as e:
                print(e)

    async def start_save(self,url):
        async with aiohttp.ClientSession(headers=headers) as session:
            html = await self.fetch_html(session, url=url)
            await self.parser_data(session=session, html=html)

    # base_url = 'https://anime-pictures.net/pictures/view_posts/0?lang=en'

    async def download_pictures(self,startnum,endnum):
        for page in range(startnum,endnum+1):
            print("######正在下载第{}页数据######".format(page))
            url_list = self.mk_url(startnum,endnum)
            for url in url_list:
                base_url = url
                await self.start_save(base_url)

'''实例化'''
if __name__ == '__main__':
    print('任务启动中...')
    download = Download()
    loop = asyncio.get_event_loop()
    s_time = time()
    tasks = [
        asyncio.ensure_future(download.download_pictures(1,2000)),
        asyncio.ensure_future(download.download_pictures(2001,4000)),
        asyncio.ensure_future(download.download_pictures(4001, 6000))
    ]
    loop.run_until_complete(asyncio.gather(*tasks))
    e_time = time()
    print('用时:',e_time - s_time,'秒')

评分

参与人数 1荣誉 +2 鱼币 +2 收起 理由
疾风怪盗 + 2 + 2 感谢楼主无私奉献!

查看全部评分

想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

 楼主| 发表于 2020-9-18 20:34:51 | 显示全部楼层
这么久过去了 难道就没有大佬能解答了吗
我都自己写好了
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

发表于 2020-9-18 20:38:45 | 显示全部楼层
风尘岁月 发表于 2020-9-18 20:34
这么久过去了 难道就没有大佬能解答了吗
我都自己写好了

没听过协程,只知道进程、线程
如果你自己写好了,就分享一下代码呗
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

 楼主| 发表于 2020-9-19 07:27:59 | 显示全部楼层
疾风怪盗 发表于 2020-9-18 20:38
没听过协程,只知道进程、线程
如果你自己写好了,就分享一下代码呗

好吧
(╯▽╰)
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

小黑屋|手机版|Archiver|鱼C工作室 ( 粤ICP备18085999号-1 | 粤公网安备 44051102000585号)

GMT+8, 2024-11-22 19:36

Powered by Discuz! X3.4

© 2001-2023 Discuz! Team.

快速回复 返回顶部 返回列表