小白爬虫之爬虫快跑

使用多线程时好像在目录切换的问题上存在问题，可以给线程加个锁试试

Hello 大家好！我又来了。

你是不是发现下载图片速度特别慢、难以忍受啊！对于这种问题一般解决办法就是多进程了！一个进程速度慢！我就用十个进程，相当于十个人一起干。速度就会快很多啦！（为什么不说多线程？懂点Python的小伙伴都知道、GIL的存在 导致Python的多线程有点坑啊！）今天就教大家来做一个多进程的爬虫（其实吧、可以用来做一个超简化版的分布式爬虫）

其实吧！还有一种加速的方法叫做“异步”！不过这玩意儿我没怎么整明白就不出来误人子弟了！（因为爬虫大部分时间都是在等待response中！‘异步’则能让程序在等待response的时间去做的其他事情。）

学过Python基础的同学都知道、在多进程中，进程之间是不能相互通信的，这就有一个很坑爹的问题的出现了！多个进程怎么知道那那些需要爬取、哪些已经被爬取了！

这就涉及到一个东西！这玩意儿叫做队列！！队列！！队列！！其实吧正常来说应该给大家用队列来完成这个教程的，比如Tornado 的queue模块。（如果需要更为稳定健壮的队列，则请考虑使用Celery这一类的专用消息传递工具）

不过为了简化技术种类啊！（才不会告诉你们是我懒，嫌麻烦呢！）这次我们继续使用MongoDB。

好了！先来理一下思路：

每个进程需要知道那些URL爬取过了、哪些URL需要爬取！我们来给每个URL设置两种状态：

outstanding:等待爬取的URL

complete:爬取完成的URL

诶！等等我们好像忘了啥？失败的URL的怎么办啊？我们在增加一种状态：

processing:正在进行的URL。

嗯！当一个所有初始的URL状态都为outstanding；当开始爬取的时候状态改为：processing；爬取完成状态改为：complete；失败的URL重置状态为：outstanding。为了能够处理URL进程被终止的情况、我们设置一个计时参数，当超过这个值时；我们则将状态重置为outstanding。

下面开整Go Go Go！

首先我们需要一个模块：datetime(这个模块比内置time模块要好使一点)不会装？？不是吧！ pip install datetime

还有上一篇博文我们已经使用过的pymongo

下面是队列的代码：

Python

fromdatetimeimportdatetime,timedelta

frompymongoimportMongoClient,errors

classMogoQueue():

OUTSTANDING=1 ##初始状态

PROCESSING=2 ##正在下载状态

COMPLETE=3 ##下载完成状态

def__init__(self,db,collection,timeout=300): ##初始mongodb连接

self.client=MongoClient()

self.Client=self.client[db]

self.db=self.Client[collection]

self.timeout=timeout

def__bool__(self):

"""

这个函数，我的理解是如果下面的表达为真，则整个类为真

至于有什么用，后面我会注明的（如果我的理解有误，请指点出来谢谢，我也是Python新手）

$ne的意思是不匹配

"""

{'status':{'$ne':self.COMPLETE}}

)

returnTrueifrecordelseFalse

defpush(self,url,title): ##这个函数用来添加新的URL进队列

try:

print(url,'插入队列成功')

excepterrors.DuplicateKeyErrorase: ##报错则代表已经存在于队列之中了

print(url,'已经存在于队列中了')

pass

defpush_imgurl(self,title,url):

try:

print('图片地址插入成功')

excepterrors.DuplicateKeyErrorase:

print('地址已经存在了')

pass

defpop(self):

"""

这个函数会查询队列中的所有状态为OUTSTANDING的值，

更改状态，（query后面是查询）（update后面是更新）

并返回_id（就是我们的ＵＲＬ），MongDB好使吧，^_^

如果没有OUTSTANDING的值则调用repair()函数重置所有超时的状态为OUTSTANDING，

$set是设置的意思，和MySQL的set语法一个意思

"""

query={'status':self.OUTSTANDING},

update={'$set':{'status':self.PROCESSING,'timestamp':datetime.now()}}

)

ifrecord:

returnrecord['_id']

else:

self.repair()

raiseKeyError

defpop_title(self,url):

returnrecord['主题']

defpeek(self):

"""这个函数是取出状态为 OUTSTANDING的文档并返回_id(URL)"""

ifrecord:

returnrecord['_id']

defcomplete(self,url):

"""这个函数是更新已完成的URL完成"""

defrepair(self):

"""这个函数是重置状态$lt是比较"""

query={

'timestamp':{'$lt':datetime.now()-timedelta(seconds=self.timeout)},

'status':{'$ne':self.COMPLETE}

},

update={'$set':{'status':self.OUTSTANDING}}

)

ifrecord:

print('重置URL状态',record['_id'])

defclear(self):

"""这个函数只有第一次才调用、后续不要调用、因为这是删库啊！"""

好了，队列我们做好了，下面是获取所有页面的代码：

Python

fromDownloadimportrequest

frommongodb_queueimportMogoQueue

frombs4importBeautifulSoup

spider_queue=MogoQueue('meinvxiezhenji','crawl_queue')

defstart(url):

response=request.get(url,3)

Soup=BeautifulSoup(response.text,'lxml')

all_a=Soup.find('div',class_='all').find_all('a')

forainall_a:

title=a.get_text()

url=a['href']

spider_queue.push(url,title)

"""上面这个调用就是把URL写入MongoDB的队列了"""

if__name__=="__main__":

"""这一段儿就不解释了哦！超级简单的"""

下面就是多进程+多线程的下载代码了：

Python

importos

importtime

importthreading

importmultiprocessing

frommongodb_queueimportMogoQueue

fromDownloadimportrequest

frombs4importBeautifulSoup

SLEEP_TIME=1

defmzitu_crawler(max_threads=10):

crawl_queue=MogoQueue('meinvxiezhenji','crawl_queue') ##这个是我们获取URL的队列

##img_queue = MogoQueue('meinvxiezhenji', 'img_queue')

defpageurl_crawler():

whileTrue:

try:

url=crawl_queue.pop()

print(url)

exceptKeyError:

print('队列没有数据')

break

else:

img_urls=[]

req=request.get(url,3).text

title=crawl_queue.pop_title(url)

mkdir(title)

os.chdir('D:\mzitu\\'+title)

max_span=BeautifulSoup(req,'lxml').find('div',class_='pagenavi').find_all('span')[-2].get_text()

forpageinrange(1,int(max_span)+1):

page_url=url+'/'+str(page)

img_url=BeautifulSoup(request.get(page_url,3).text,'lxml').find('div',class_='main-image').find('img')['src']

img_urls.append(img_url)

save(img_url)

crawl_queue.complete(url) ##设置为完成状态

##img_queue.push_imgurl(title, img_urls)

##print('插入数据库成功')

defsave(img_url):

name=img_url[-9:-4]

print(u'开始保存：',img_url)

img=request.get(img_url,3)

f=open(name+'.jpg','ab')

f.write(img.content)

f.close()

defmkdir(path):

path=path.strip()

ifnotisExists:

print(u'建了一个名字叫做',path,u'的文件夹！')

returnTrue

else:

print(u'名字叫做',path,u'的文件夹已经存在了！')

returnFalse

threads=[]

whilethreadsorcrawl_queue:

"""

这儿crawl_queue用上了，就是我们__bool__函数的作用，为真则代表我们MongoDB队列里面还有数据

threads 或者 crawl_queue为真都代表我们还没下载完成，程序就会继续执行

"""

forthreadinthreads:

ifnotthread.is_alive(): ##is_alive是判断是否为空,不是空则在队列中删掉

threads.remove(thread)

whilelen(threads)orcrawl_queue.peek(): ##线程池中的线程少于max_threads 或者 crawl_qeue时

thread=threading.Thread(target=pageurl_crawler) ##创建线程

thread.setDaemon(True) ##设置守护线程

thread.start() ##启动线程

threads.append(thread) ##添加进线程队列

time.sleep(SLEEP_TIME)

defprocess_crawler():

process=[]

num_cpus=multiprocessing.cpu_count()

print('将会启动进程数为：',num_cpus)

foriinrange(num_cpus):

p=multiprocessing.Process(target=mzitu_crawler) ##创建进程

p.start() ##启动进程

process.append(p) ##添加进进程队列

forpinprocess:

p.join() ##等待进程队列里面的进程结束

if__name__=="__main__":

process_crawler()

好啦！一个多进程多线的爬虫就完成了，（其实你可以设置一下MongoDB，然后调整一下连接配置，在多台机器上跑哦！！嗯，就是超级简化版的分布式爬虫了，虽然很是简陋。）

本来还想下载图片那一块儿加上异步（毕竟下载图片是Ｉ＼Ｏ等待最久的时间了，），可惜异步我也没怎么整明白，就不拿出来贻笑大方了。

另外，各位小哥儿可以参考上面代码，单独处理图片地址试试（就是多个进程直接下载图片）？

我测试了一下八分钟下载100套图

PS：请务必使用 第二篇博文中的下载模块，或者自己写一个自动更换代理的下载模块！！！不然寸步难行，分分钟被服务器BAN掉！

这个所有代码我放在这个位置了：https://github.com/thsheep/mzitu/

自然，芝麻HTTP会一直提供网络资源支持。

结束语

转载请注明：静觅»小白爬虫第四弹之爬虫快跑（多进程+多线程）