Python学习（三）：多线程写Python爬虫

人人车网站为例

总体框架：

# 爬取人人车车辆信息
# 多线程/多进程：提高代码执行效率，提高爬取效率，实现使用多个多个进程对多个页面发起请求

from urllib.request import urlopen
# 进程池: 比较方便，使用简单
from multiprocessing import Pool

import re, sqlite3

class RRCSpider(object):
    """
    人人车爬虫类
    """
    def __init__(self):
        # 建立数据库对象和游标对象
        self.connect = sqlite3.connect('rrc.db')
        self.cursor = sqlite3.connect().cursor()

    def get_list_html(self, page_num):
        """
        获取列表页源代码
        :param list_url:列表页的url
        :return: 返回列表页源代码
        """
        pass

    def parse_list_html(self, list_html):
        """
        解析列表页源代码
        :param list_html:解析列表页源代码
        :return: 返回每一个数据的详细地址
        """
        pass

    def get_detail_html(self, detail_url):
        """
        获取详情页页源代码
        :param detail_url:详情页源代码
        :return: 返回详情页源代码
        """
        pass

    def parse_detail_html(self, detail_html):
        """
        详情列表页源代码
        :param detail_html: 解析详情页源代码
        :return: None
        """
        pass


    def start_spider(self):
        """
        爬虫启动入口
        :return:
        """
        pass


if __name__ == '__main__':
    obj = RRCSpider()
    obj.start_spider()

 各个函数：

    def get_list_html(self, page_num):
        """
        获取列表页源代码
        :param list_url:列表页的url
        :return: 返回列表页源代码
        """
        list_url = 'https://www.renrenche.com/zz/ershouche/p{}/'.format(page_num)
        try:
            list_html = urlopen(list_url).read().decode()
        except HTTPError as e:
            print("列表页异常：url={}, error={}".format(list_url, e))
            return None, None
        else:
            return list_html, list_url

    def parse_list_html(self, list_html, list_url):
        """
        解析列表页数据
        :param list_html: 列表页网页源代码
        :return: 返回每一个数据的详情页地址
        """
        # 利用正则表达式提取列表页中所有二手车的详情页的链接。
        detail_urls = re.findall(re.compile(r'<li class="span6 list-item.*?".*?<a.*?href="(.*?)".*?class="thumbnail"', re.S), list_html)
        if detail_urls:
            return detail_urls
        else:
            print('列表页数据为空：url={}'.format(list_url))
            return None

     def get_detail_html(self, detail_url):
        """
        获取详情页页源代码
        :param detail_url:详情页源代码
        :return: 返回详情页源代码
        """
        try:
            detail_html = urlopen(detail_url).read().decode()
        except HTTPError as e:
            print("详情页异常：url={}, error={}".format(detail_url, e))
            return None, None
        else:
            return detail_html, detail_url

    def parse_detail_html(self, detail_html, detail_url):
        """
        详情列表页源代码
        :param detail_html: 解析详情页源代码
        :return: None
        """
        data = re.findall(re.compile(r'<h1 class="title-name rrc.*?">(.*?)</h1>.*?<p class="price.*?">(.*?)</p>.*?<p class="money.*?首付(.*?)<.*?月供(.*?)</p>.*?<ul class=".*?box-list-primary-detail">.*?<strong class="car-summary rrc.*?">(.*?)</strong>.*?<p class="small-title rrc.*?">(.*?)</p>.*?<strong.*?id="car-licensed">(.*?)</strong>.*?<p>.*?<strong class="car-summary">(.*?)</strong>.*?<p class="transfer-record">.*?<strong.*?>(.*?)</strong>', re.S), detail_html)[0]
        print(data)

    def start_spider(self, num):
        """
        爬虫程序启动入口
        :return:
        """
        print('正在请求第{}页'.format(num))
        list_html, list_url = self.get_list_html(num)
        if list_html:
            detail_urls = self.parse_list_html(list_html, list_url)
            if detail_urls:
                for detail_url in detail_urls:
                    url = 'https://www.renrenche.com' + detail_url
                    detail_html, d_url = self.get_detail_html(url)
                    if detail_html:
                        self.parse_detail_html(detail_html, d_url)