定义多线程类, 爬虫类 爬取 m.sohu.com的内容中的带有href属性的a链接地址
import logging
from enum import unique, Enum
from queue import Queue
from random import random
from threading import current_thread, Thread
from time import sleep
from urllib.parse import urlparse
import requests
from bs4 import BeautifulSoup
visited_urls = set()
@unique
class SpiderStatus(Enum):
"""
定义一个爬虫的状态类, unique意思是类里面定义的值是不能重复的, 继承Enum类这是一个枚举类
"""
IDEL = 0
WORKING = 1
def decode_page(page_bytes, charsets=('utf-8',)):
"""
定义一个专门用来解码的函数, 传入的charsets默认有多个值
只写了一个默认值, 元祖里面传入参数,多个值不写完后面加逗号
:param page_bytes: page_bytes是传入的未解码的页面,
:param charsers: 编码种类
:return: 返回解码后的页面
"""
page_html = None
for charset in charsets:
try:
page_html = page_bytes.decode(charset)
break
except UnicodeDecodeError as e:
pass
logging.error('Decode:', e)
return page_html
class Retry(object):
"""
包装器
"""
def __init__(self, *, retry_times=3, wait_secs=5, error=(Exception, )):
"""
给对象定义属性
:param retry_times: 爬虫当爬取内容为空或者失败时 尝试爬取的次数
:param wait_secs: 爬取 两次相隔的时间
:param error: 错误 传入的是个元祖意思是可以传入多个, 不过给了一个默认
"""
self.retry_times = retry_times
self.wait_secs = wait_secs
self.error = error
def __call__(self, fn):
"""
call的作用是把包装器的对象变成函数 装饰器都是调用的函数
:param fn: 无论什么函数 都用fn代表
:return: 返回包装器
"""
def wrapper(*args, **kwargs):
"""
函数尝试的次数 当 成功返回函数自己程序就不往下执行了,如果 没有成功接着循环,
有异常时进行异常处理 当for循环结束时 还没有返回fn 就返回None
返回wrapper 是返回给call函数的
包装器好像就是在操作 fn 函数 传入一些参数用来限制 fn
"""
for _ in range(self.retry_times):
try:
return fn(*args, **kwargs)
except self.error as e:
logging.error(e)
logging.info('[Retry]')
sleep((random()+1)* self.wait_secs)
return None
return wrapper
class Spider(object):
"""
爬虫类
"""
def __init__(self, task_queue):
"""
:param task_queue: 给爬虫传入任务队列,爬虫是要干活的
"""
self.status = SpiderStatus.IDEL
@Retry()
def fetch(self, current_url, *, charsets=('utf-8', ), user_agent=None, proxies=None):
"""
爬取页面的方法
:param current_url: url地址
:param charsets: 采用的编解码方式
:param user_agent: 用户代理,冒充有名的爬虫爬取网站, 网站一般会禁止不知名的爬虫爬取
:param proxies:代理
:return: 返回爬取的页面
"""
logging.info('[Fetch]:' + current_url)
thread_name = current_thread().name
print(f'[{thread_name}]:{current_url}')
headers = {'user-agent': user_agent}\
if user_agent else {}
resp = requests.get(current_url, headers=headers,
proxies=proxies)
return decode_page(resp.content, charsets) if resp.status_code == 200 else None
def parse(self, html_page, *, domain='m.sohu.com'):
"""
解析页面
:param html_page: 传入要解析的页面
:param domain: 传入域名
:return: 返回从页面中提取的url
"""
soup = BeautifulSoup(html_page, 'lxml')
url_links = []
for a_tag in soup.body.select('a[href]'):
parser= urlparse(a_tag.attrs['href'])
scheme = parser.scheme or 'http'
netloc = parser.netloc or 'domain'
if scheme != 'javascript' and netloc == domain:
path = parser.path
query = '?' + parser.query if parser.query else ''
full_url = f'{scheme}://{netloc}{path}{query}'
if full_url not in visited_urls:
url_links.append(full_url)
return url_links
def extract(self, html_page):
"""
从页面中摘取内容
:param html_page: 页面
:return:
"""
pass
def store(self, data_dict):
"""
存储数据
:param data_dict:
:return:
"""
pass
class SpiderThread(Thread):
"""
定义一个多线程类 用来启动爬虫 继承了Thread类,自带的
该类就是一个线程类
单个单个线程的写法:
Thread(target=foo, agrs=( , )).start()
foo是目标函数,线程要启动的函数, args 是给目标函数传入的参数
这是一个线程类,调用该类时自动调用run函数, run函数中肯定要使用蜘蛛实现爬取页面
解析页面 把解析出来的东西 做下处理, 一个线程类里面定义的就是一个线程, 一个蜘蛛
一个蜘蛛类里面定义的就是一个蜘蛛该干的事情, 想要启动多线程 多个蜘蛛 就在main函数中
通过for循环 实现 , 现在调用线程类就执行run函数,而run函数中,使用蜘蛛爬去和解析了页面
蜘蛛是传进来的,所以定义一个蜘蛛类, 蜘蛛的行为,是在类中定义好的, 该蜘蛛的某个行为干某件事情
直接利用蜘蛛点一下就可以了, 不得不赞叹爬虫太伟大了, 教我们一个人就干一件事情,一个人就做好
自己眼前的事情
线程类的区别是, 你调用一次等于启一个线程,大家是同时执行的 只不过共用计算机内存, 公用资源而已
而普通类,你调用一次一次,他们是排队等候的,当上一个程序执行完成,才会执行下一个
线程太伟大了
多进程 运作方式,一样, 只不过是不共用资源,启一个自动复制一个资源,占用一份内存
但是效率更高
一个类定义的就是一个对象,一个方法,一个对象的属性,一个对象的行为
"""
def __init__(self, spider, task_queue):
"""
只是参数而已, 传入时是灵活的
daemon=True 是把线程设为守护线程, 当主线程挂了,守护线程也挂
:param spider: 传入爬虫函数
:param task_queue: 任务队列 给爬虫函数的参数
"""
super().__init__(daemon=True)
self.spider = spider
self.task_queue = task_queue
def run(self):
"""
这是个回调函数 前面有 'O+向上的箭头' 代表实回调函数 Thread是有这个函数的 是方法的重写
当利用这个类创建对象时,会自动调用该函数
:return:
"""
while True:
current_url = self.task_queue.get()
visited_urls.add(current_url)
self.spider.status = SpiderStatus.WORKING
html_page = self.spider.fetch(current_url)
if html_page not in [None, '']:
url_links = self.spider.parse(html_page)
for url_link in url_links:
self.task_queue.put(url_link)
self.spider.status = SpiderStatus.IDEL
def is_any_alive(spider_threads):
"""
判断进程是否活着
:param spider_threads: 进程
:return:有一个为 True 返回True 全都死掉返回false
"""
return any([spider_thread.spider.status == SpiderStatus.WORKING\
for spider_thread in spider_threads])
def main():
"""
主进程,当它停止运行时, 守护线程就卵了
主进程里主要就是定义类的参数
:return:
"""
task_queue = Queue()
task_queue.put('http://m.sohu.com/')
spider_threads = [SpiderThread(Spider(task_queue), task_queue) for _ in range(10)]
for spider_thread in spider_threads:
spider_thread.start()
while not task_queue or is_any_alive(spider_threads):
pass
print('Over!')
if __name__ == '__main__':
main()