Python3 爬虫爬取中国图书网(淘书团) 进阶版

在原版的基础上，添加了进程池，进程锁，以及数据处理分析小实验

原版的链接为：http://www.cnblogs.com/ChrisInsistPy/p/8981820.html

首先分析一下在整个程序的哪个进程中，可以实现多进程提高运行效率，首先爬虫程序会先去拿网站的url，然后对url内的json数据进行处理，之后写入文件

所以在整个过程中，我们可以分别让多个进程去拿url拿response的数据，然后分批处理，写入文件中

这里有个知识点，就是在python中，每个进程都有一个GIL锁，确保同一时间只能有一个线程运行，所以多进程可能会更实用，具体可以google一下

首先找到我们遍历url的方法中，把方法体进一步封装到  scraping_page_data()方法里

并创建线程池：

def dynamtic_scraping_data(page, headers, fileName):
    pool = multiprocessing.Pool() #进程池
    lock = multiprocessing.Manager().Lock() #加一个写锁，确保每页的内容在一起
    '''
    if code ' lock = multiprocessing.Lock()'报错:
    RuntimeError: Lock objects should only be shared between processes through inheritance
　　'''　　
    for i in range(page):
        pool.apply(scraping_page_data,(lock, i, headers, fileName))
    pool.close()
    pool.join()

这里有几个知识点，首先，对于进程池，会根据主机的系统资源，去分配到底有多少条进程

其次如果不调用join方法，子进程会在主进程结束后继续执行，因为后面有数据分析的功能所以我们条用了join方法，让主进程去等待其他的进程

在进程池中调用apply方法去实现每个子进程要执行的方法apply(method_name, (parameters....))

由于我们想要确保，每次拿到一条url，希望当前进程写入的数据的时候，不被其他进程打扰，我们给写入操作加上进程锁

在写的过程中，我发现如果按照创建一条进程的方法也创建进程锁，会报错，原因是用了进程池，而进程池中的进程并不是由当前同一个父进程创建的原因。

查了下资料，multiprocessing.Manager()返回的manager对象控制了一个server进程，可用于多进程之间的安全通信。

写入文件加锁：

def write_csv_rows(lock, path, headers, rows):
# write one row
    lock.acquire()
    with open(path, 'a', encoding='gb18030', newline='') as f:
        f_csv = csv.DictWriter(f, headers)
         # 如果写入数据为字典，则写入一行，否则写入多行
        if type(rows) == type({}):
            f_csv.writerow(rows)
        else:
            f_csv.writerows(rows)
    lock.release()

这样我们会发现进程池会调用多个进程资源，并执行写入操作，互不干扰，但是这样就遗留下来了问题，总结会提到

接下来拿到数据后，我们读取cvs中的price，分析价格低于200￥的图书的价位分布，为了生成统计图，我们引入matplotlib包

首先处理脏数据：

　　这里提到一点在基础版忽视的问题，我们发现在读入的数据中，有一部分的图书名字会加上‘团购：’的无用信息，所以我们要在存入磁盘前删掉它

 for data in result['Data']:
            bookinfo['bookName'] = data['book_name'].replace('团购：','')
            bookinfo['price'] = data['group_price']
            bookinfo['iconLink'] = data['group_image']
            write_csv_rows(lock, fileName,headers,bookinfo)

接下来就是处理数据的部分了：先拿到cvs文件中price的值，也就是栏位为1

然后遍历删掉title => price后，我们发现在price 的数据中，有的值为'39.9-159.9'格式，对于这种格式的数据，我们求平均值来计算

最后我们把价格低于200的数据存入数组，用于生成柱状图

 #matplotlib views, 统计价格小于200的图书价格分布
    prices = []
    price = read_csv_column(csv_filename, 1)
    for i in range(len(price)-1):
        if(price[i+1].find('-') != -1):
            splitprice = price[i+1].split('-')
            average_price = (float(splitprice[0]) + float(splitprice[1]))/ 2
            if(average_price < 200):
                prices.append(average_price)
        elif(float(price[i+1]) < 200):
            prices.append(float(price[i+1]))
    plt.hist(prices, bins=10)
    print(prices)
    plt.show()

调用show()方法后生成统计图

当然matplotlib为我们提供了很多方法去美化，以及生成点状图，线图等等，在这里仅仅是测试功能，自我学习，不多测试了

小实验全部代码：

import requests
from bs4 import BeautifulSoup
import json
import csv
import multiprocessing
from matplotlib import pyplot as plt
def parse_one_page():
    header = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36',
        'Host': 'tuan.bookschina.com',
        'Referer': 'http://tuan.bookschina.com/',
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9'
    }
    url = 'http://tuan.bookschina.com/'
    response = requests.get(url, headers = header) #模仿浏览器登录
    response.encoding = 'utf-8'
    soup = BeautifulSoup(response.text,'html.parser')
    for item in soup.select('div .taoListInner ul li'):
        print(item.select('h2')[0].text) #返回对象为数组
        print(item.select('.salePrice')[0].text)
        print(item.select('img')[0].get('src')) #get方法用来取得tab内部的属性值


def dynamtic_scraping_data(page, headers, fileName):
    pool = multiprocessing.Pool() #进程池
    lock = multiprocessing.Manager().Lock() #加一个写锁，确保每页的内容在一起
    '''
    if code ' lock = multiprocessing.Lock()'报错:
    RuntimeError: Lock objects should only be shared between processes through inheritance
    用了进程池，而进程池中的进程并不是由当前同一个父进程创建的原因。查了下资料，
    multiprocessing.Manager()返回的manager对象控制了一个server进程，可用于多进程之间
    的安全通信。
    '''
    for i in range(page):
        pool.apply(scraping_page_data,(lock, i, headers, fileName))
    pool.close()
    pool.join()


def scraping_page_data(lock, page, headers, fileName):
        url = 'http://tuan.bookschina.com/Home/GroupList?Type=0&Category=0&Price=0&Order=11&Page=' + str(
            page+1) + '&Tyjson=true'
        response = requests.get(url)
        result = json.loads(response.text)
        bookinfo = {}
        for data in result['Data']:
            bookinfo['bookName'] = data['book_name'].replace('团购：','')
            bookinfo['price'] = data['group_price']
            bookinfo['iconLink'] = data['group_image']
            write_csv_rows(lock, fileName,headers,bookinfo)
        print(multiprocessing.current_process().name + ' ' + url)


def write_csv_headers(path, headers):
    '''
    写入表头
    '''
    with open(path, 'a', encoding='gb18030', newline='') as f:
        f_csv = csv.DictWriter(f, headers)
        f_csv.writeheader()


def write_csv_rows(lock, path, headers, rows):
# write one row
    lock.acquire()
    with open(path, 'a', encoding='gb18030', newline='') as f:
        f_csv = csv.DictWriter(f, headers)
         # 如果写入数据为字典，则写入一行，否则写入多行
        if type(rows) == type({}):
            f_csv.writerow(rows)
        else:
            f_csv.writerows(rows)
    lock.release()

def read_csv_column(path, column):
# read one row
    with open(path, 'r', encoding='gb18030', newline='') as f:
        reader = csv.reader(f)
        return [row[column] for row in reader]

def main(page):
    # parse_one_page() #Tip: beautifulSoup test
    csv_filename = "bookInfo.csv"
    headers = ['bookName', 'price', 'iconLink']
    write_csv_headers(csv_filename,headers)
    dynamtic_scraping_data(page, headers, csv_filename)

    #matplotlib views, 统计价格小于200的图书价格分布
    prices = []
    price = read_csv_column(csv_filename, 1)
    for i in range(len(price)-1):
        if(price[i+1].find('-') != -1):
            splitprice = price[i+1].split('-')
            average_price = (float(splitprice[0]) + float(splitprice[1]))/ 2
            if(average_price < 200):
                prices.append(average_price)
        elif(float(price[i+1]) < 200):
            prices.append(float(price[i+1]))
    plt.hist(prices, bins=18)
    print(prices)
    plt.show()
if __name__ == '__main__':
    main(20)

总结：

在测试爬虫程序的过程中，发现了一个非常关键的问题，也就是网络稳定对爬虫程序的影响。如果读取页数相当庞大，在抓取过程中，

会有某个链接出现相应失败的情况，但是本程序默认的操作是跳过继续执行。所以这样就有可能导致数据丢失，以至于分析数据结果

不准确，google后，发现消息队列是一个很好的解决方法，把每次拿到的url存入队列中，每个进程作为消费者去pop队列中的url，如

果拿数据失败，则从新把url指令存入队列，等待重新执行。有机会试着实现一下