【爬虫小程序：爬取斗鱼所有房间信息】Xpath(线程池版)

# 本程序亲测有效,用于理解爬虫相关的基础知识，不足之处希望大家批评指正

from queue import Queue
import requests
from lxml import etree
from multiprocessing.dummy import Pool
import time
"""爬取目标：http://www.qiushibaike.com/8hr/page/1
    利用线程池实现
"""


class QiuShi:

    def __init__(self):

        # url和headers
        self.base_url = 'http://www.qiushibaike.com/8hr/page/{}'
        self.headers = 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36'

        # 定义队列，用来传递数据
        self.url_queue = Queue()
        self.request_queue = Queue()
        self.html_queue = Queue()

        # 初始化线程池
        self.pool = Pool()

        # 定义计数器
        self.request_num = 0
        self.response_num = 0

        self.is_running = True

    def get_url_list(self):
        """获取所有的url"""
        for i in range(1, 14):
            target_url = self.base_url.format(i)
            print(target_url)
            self.request_num += 1
            self.url_queue.put(target_url)

    def request_url(self):
        """向url发起请求"""
        target_url = self.url_queue.get()
        response = requests.get(target_url, self.headers)
        self.request_queue.put(response)
        self.url_queue.task_done()

    def get_content(self):
        """获取数据"""
        html_text = self.request_queue.get().content.decode()
        html = etree.HTML(html_text)
        div_list = html.xpath('//div[@id="content-left"]/div')
        content_list = []
        for div in div_list:
            item = {}
            item['author'] = div.xpath('.//h2/text()')[0].strip()
            item['content'] = div.xpath('.//span/text()')[0].strip()
            print(item)
            content_list.append(item)
        self.html_queue.put(content_list)
        self.request_queue.task_done()

    def save_data(self):
        """保存入库"""
        data_list = self.html_queue.get()
        for data in data_list:
            with open('qiushi.text', 'a+') as f:
                f.write(str(data))
                f.write('\r\n')
        self.html_queue.task_done()

    def execute_request_response_save(self):
        """线程池子,执行请求，回应，保存"""
        self.request_url()
        self.get_content()
        self.save_data()
        self.response_num += 1

    def _callback(self,temp):
        """线程池的回调函数："""
        if self.is_running:
            self.pool.apply_async(self.execute_request_response_save, callback=self._callback)

    def main(self):
        """主程序逻辑"""
        self.get_url_list()
        # 执行线程池
        for n in range(4):  # 用4个线程去执行线程池任务
            self.pool.apply_async(self.execute_request_response_save,callback=self._callback)

        # time.sleep(10)
        while True:
            if self.request_num == self.response_num:
                self.is_running = False
                break
        #思考: 为什么要加上这个while?
        """
        如果不写这个while循环,那么,线程池的异步任务在没有进入回调函数的时候,主线程就结束了
        那问题又来了,python3中主线程不是不影响用户子线程的吗?
        注意了:我们这里用的是单进程单线程任务,只不过用的是线程池的方法来解决问题
        当主进程结束了,那么进程内部的线程也会一起结束
        
        这个while循环就是让主线程在这里等待线程池中的子线程,等子线程所有的任务都完成了,再一起结束
        他的作用类似于join()函数
        """


if __name__ == '__main__':
    qiushi = QiuShi()
    qiushi.main()