通过Python进行协程间通信,大大加速爬取效率。
前言
是这样的,在之前的爬虫版本中,我们通过并发技术(python协程只是并发)。实现快速爬取小说的效果。
将速度提高为原来的几百倍了。但是却由于之前的多协程之间的通信,都是采用写入硬盘之后,再相互通信来实现的,所以,速度上还是存在一定的缺陷。
最新
在最新的版本中,我们采用多协程技术,采用在内存通信,这样来传递爬取的数据,之后,再来组合成为新的章节,这样就可以做到了对于之前版本的提速效果。而且需要代码量也下降了10行左右。
还是跟之前的版本一样目标小说网站只能是http://www.biquge.com.tw/这个网站下的小说的目录页
只要把目录页对应的小说的网址丢到main函数中的url里面,就可以实现了小说爬取。
小调整tips:
当然啦,根据自己的需求,可以试试看改改BuildGevent函数的step变量。这个表示每次发多少个协程。注意,最多是1200个。
这个设置,可以自己考虑,根据不同的设备情况,网络效果,对方服务器的稳定程度来进行判断。
import requests
import os
import gevent
from gevent import monkey
import random
import re
from lxml import etree
monkey.patch_all(select=False)
from urllib import parse
import time
IPs = [{'HTTPS': 'HTTPS://182.114.221.180:61202'},
{'HTTPS': 'HTTPS://60.162.73.45:61202'},
{'HTTPS': 'HTTPS://113.13.36.227:61202'},
{'HTTPS': 'HTTPS://1.197.88.101:61202'}]
HEADERS = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'Accept-Language': 'zh-CN,zh;q=0.9',
'Cookie': '__cfduid=d820fcba1e8cf74caa407d320e0af6b5d1518500755; UM_distinctid=1618db2bfbb140-060057ff473277-4323461-e1000-1618db2bfbc1e4; CNZZDATA1272873873=2070014299-1518497311-https%253A%252F%252Fwww.baidu.com%252F%7C1520689081; yjs_id=5a4200a91c8aa5629ae0651227ea7fa2; ctrl_time=1; jieqiVisitTime=jieqiArticlesearchTime%3D1520693103'
}
def setDir():
if 'Noval' not in os.listdir('./'):
os.mkdir('./Noval')
def getNoval(url, id, data):
while True:
try:
headers = HEADERS
IP = random.choice(IPs)
res = requests.get(url, headers=headers, proxies=IP)
res.encoding = 'GB18030'
html = res.text.replace(' ', ' ') # 替换掉这个字符 换成空格~ 意思是一样的
page = etree.HTML(html)
content = page.xpath('//div[@id="content"]')
ps = page.xpath('//div[@class="bookname"]/h1')
if len(ps) != 0:
s = ps[0].text + '\n'
s = s + content[0].xpath("string(.)")
data[id] = s
except Exception:
continue
else:
break
def getContentFile(url):
headers = HEADERS
IP = random.choice(IPs)
res = requests.get(url, headers=headers, proxies=IP)
res.encoding = 'GB18030'
page = etree.HTML(res.text)
bookname = page.xpath('//div[@id="info"]/h1')[0].xpath('string(.)')
dl = page.xpath('//div[@id="list"]/dl/dd/a')
splitHTTP = parse.urlsplit(url)
url = splitHTTP.scheme + '://' + splitHTTP.netloc
return list(map(lambda x: url + x.get('href'), dl)), bookname
def BuildGevent(baseurl):
content, bookname = getContentFile(baseurl) # version2
steps = 500
beginIndex, length = steps, len(content)
count = 0
name = "%s.txt" % bookname
while (count - 1) * steps < length:
data = {}
WaitigList = [gevent.spawn(getNoval, content[i + count * steps], i + count * steps, data) for i in range(steps) if
i + count * steps < length]
gevent.joinall(WaitigList)
String = '\n'.join(data.values())
if count == 0:
with open('./Noval/' + name, 'w', encoding='gb18030', errors='ignore') as ff:
ff.write(String)
else:
with open('./Noval/' + name, 'a', encoding='gb18030', errors='ignore') as ff:
ff.write(String)
count += 1
if __name__ == '__main__':
starttime = time.time()
setDir()
# url = 'http://www.biquge.com.tw/2_2826/'
url = 'http://www.biquge.com.tw/14_14969/'
BuildGevent(url)
endtime = time.time()
print("Total use time: %.6f" % (endtime - starttime))