实现多线程爬取数据并保存到mongodb

多线程爬取二手房网页并将数据保存到mongodb的代码：

import pymongo
import threading
import time
 
from lxml import etree
import requests
from queue import Queue
 
index_url='https://m.lianjia.com/gz/ershoufang/pg{}/'
detail_url='https://m.lianjia.com{}'
 
# 设置爬取主页的页数
INDEX_PAGE_NUM=
 
# 定义一个类
 
# 0定义主页url队列、主页html队列、详情页url队列、html队列、内容队列
# 1获取首页url并解析详情页url
# 2获取详情页的内容
# 3保存内容
# 4设置多线程调用方法
 
# 设置mongodb
client = pymongo.MongoClient('localhost')
# 设置数据库名
db = client['ershoufang']
# 指定集合名
index = 'index_info'
detail = 'detail_info'
 
class lianJia():
    def __init__(self):
        self.index_url_queue=Queue()
 
        self.html_index_queue=Queue()
 
        self.index_content_queue=Queue()
        self.detail_content_queue = Queue()
 
    #     获取主页的url和html内容并解析出index页内容和详情页url
    def get_index(self):
        for i in range(INDEX_PAGE_NUM):
            # print(index_url.format(i+))
            url=index_url.format(i+)
            self.index_url_queue.put(url)
            # index=requests.get(index_url.format(i+)).content.decode()
            # self.html_index_queue.put(index)
    # 获取主页html
    def get_index_html(self):
        while True:
            url=self.index_url_queue.get()
            index = requests.get(url).content.decode()
            self.html_index_queue.put(index)
            self.index_url_queue.task_done()
    def parse_index(self):
        while True:
            # 获取队列里得内容
            html1=self.html_index_queue.get()
            xml=etree.HTML(html1)
            pingjie_list=xml.xpath('''//ul[@class='lists']/li[position()>1]''')
            # 将 pingjie_list拼接在xpath前，少写xpath语句
            index_content_list=[]
            for pj in pingjie_list:
                index_infor={}
                # #判空炒作，如果为空则显示none if len(index_infor['title']) >  else None
                index_infor['title']=pj.xpath('''./div/div[@class='item_list']/div[1]/text()''')
 
                index_infor['title']=index_infor['title'][] if len(index_infor['title']) >  else None
                index_infor['detail_url'] = pj.xpath('''./a/@href''')[]
                index_infor['index_detail']=pj.xpath('''./div/div[2]/div[2]/text()''')
                index_infor['index_detail']=index_infor['index_detail'][] if len(index_infor['index_detail'])> else None
                index_infor['total_price']=pj.xpath('''./div/div[2]/div[position()>2]/span[1]/em/text()''')
                index_infor['total_price']= index_infor['total_price'][] if len( index_infor['total_price'])> else None
                index_infor['average_price']=pj.xpath('''./div/div[@class='item_list']/div[3]/span[2]/text()''')
                index_infor['average_price']=index_infor['average_price'][]if len(index_infor['average_price'])> else None
                index_content_list.append(index_infor)
                #  队列保存时不能在循环里 否之回保存很多个队列
                # self.index_content_queue.put(index_content_list)
                # 把content_list放进content_queue里面
 
            self.index_content_queue.put(index_content_list)
            # print(index_content_list)
 
            # 每从队列中获取一个数，队列则减少一个数，所以此代码必须写
            self.html_index_queue.task_done()
 
    # 获取详情页内容
    def get_detail(self):
        pass
 
    # 保存内容
    def save_content(self):
        while True:
            index_conten_list=self.index_content_queue.get()
 
            for i in index_conten_list:
                # print(i['title'])
                if i['title']==None or i['total_price']==None or i['average_price']==None:
                    print('该数据为空，不进行保存')
 
                else:
                    db['index_info'].insert(i)
                    # db['detailDta'].insert(detail_datas)
                    print('保存数据成功')
            self.index_content_queue.task_done()
 
    # 主线程：分配各种子线程去执行class里得每一个函数
    # 使用队列的方式得设置多线程进行调用函数，才能让程序执行速度更快
    def run(self):
        # 设置线程列表
        thread_list=[]
        # start_time=time.time()
        # .url_list
        # threading.Thread不需要传参数，参数都是从队列里面取得
        # for i in range():
        t_index_u=threading.Thread(target=self.get_index)
        thread_list.append(t_index_u)
 
        # .遍历，发送请求，获取响应
        for i in range():
            t_index_html=threading.Thread(target=self.get_index_html)
            thread_list.append(t_index_html)
 
        # .提取数据
        for i in range():
            t_parse_index=threading.Thread(target=self.parse_index)
            thread_list.append(t_parse_index)
 
        # .保存数据
        t_save=threading.Thread(target=self.save_content)
        thread_list.append(t_save)
        #     循环开启各子线程
        for t in thread_list:
            # 表示主线程结束，子线程（设置为true无限循环）也跟着结束（用主线程控制子线程）
            t.setDaemon(True)
            # 启动线程
            t.start()
        for q in [self.index_url_queue,self.html_index_queue,self.index_content_queue]:
            # 让主线程等待阻塞，等待队列的任务完成（即队列为空时 ）之后再进行主线程
            q.join()
            # end_time=time.time()
            # print('总耗时%.2f秒'%(end_time-start_time))
 
if __name__=='__main__':
    sk = time.clock()
    func=lianJia()
    func.run()
    ek = time.clock()
    print('程序总耗时：',ek-sk)

多线程爬取糗事百科：

# coding=utf-
import requests
from lxml import etree
import threading
from queue import Queue
 
# https://docs.python.org/3/library/queue.html#module-queue
# 队列使用方法简介
# q.qsize() 返回队列的大小
# q.empty() 如果队列为空，返回True,反之False
# q.full() 如果队列满了，返回True,反之False
# q.full 与 maxsize 大小对应
# q.get([block[, timeout]]) 获取队列，timeout等待时间
# q.get_nowait() 相当q.get(False)
# q.put(item) 写入队列，timeout等待时间
# q.put_nowait(item) 相当q.put(item, False)
# q.task_done() 在完成一项工作之后，q.task_done() 函数向任务已经完成的队列发送一个信号
# q.join() 实际上意味着等到队列为空，再执行别的操作
 
class QiubaiSpdier:
    def __init__(self):
        self.url_temp = "https://www.qiushibaike.com/8hr/page/{}/"
        self.headers = {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36"}
        self.url_queue = Queue()
        self.html_queue  = Queue()
        self.content_queue = Queue()
    def get_url_list(self):
        # return [self.url_temp.format(i) for i in range(,)]
        for i in range(,):
            # 把13个索引页面的Url放进url_queue队列里
            self.url_queue.put(self.url_temp.format(i))
 
    def parse_url(self):
        while True:
            # get方法和task_done搭配使用
            # 在put是队列+，get和task_done一起使用时队列才会-
            url = self.url_queue.get()
            print(url)
            response = requests.get(url,headers=self.headers)
            # 然后把索引页的响应页面放进html_queue队列里
            self.html_queue.put(response.content.decode())
            self.url_queue.task_done()
 
    def get_content_list(self): #提取数据
        while True:
            # 先从索引页响应页面html_queue队列里面取出索引页面
            html_str = self.html_queue.get()
 
            html = etree.HTML(html_str)
            div_list = html.xpath("//div[@id='content-left']/div")  #分组
            content_list = []
            for div in div_list:
                item= {}
                item["content"] = div.xpath(".//div[@class='content']/span/text()")
                item["content"] = [i.replace("\n","") for i in item["content"]]
                item["author_gender"] = div.xpath(".//div[contains(@class,'articleGender')]/@class")
                item["author_gender"] = item["author_gender"][].split(" ")[-].replace("Icon","") if len(item["author_gender"])> else None
                item["auhtor_age"] = div.xpath(".//div[contains(@class,'articleGender')]/text()")
                item["auhtor_age"] = item["auhtor_age"][] if len(item["auhtor_age"])> else None
                item["content_img"] = div.xpath(".//div[@class='thumb']/a/img/@src")
                item["content_img"] = "https:"+item["content_img"][] if len(item["content_img"])> else None
                item["author_img"] = div.xpath(".//div[@class='author clearfix']//img/@src")
                item["author_img"] = "https:"+item["author_img"][] if len(item["author_img"])> else None
                item["stats_vote"] = div.xpath(".//span[@class='stats-vote']/i/text()")
                item["stats_vote"] = item["stats_vote"][] if len(item["stats_vote"])> else None
                content_list.append(item)
            # 把content_list放进content_queue里面
            self.content_queue.put(content_list)
            self.html_queue.task_done()
 
    def save_content_list(self): #保存
        while True:
            content_list = self.content_queue.get()
            for i in content_list:
                print(i)
                pass
            self.content_queue.task_done()
 
    def run(self): #实现主要逻辑
        thread_list = []
        #.url_list
        # threading.Thread不需要传参数，参数都是从队列里面取得
        t_url = threading.Thread(target=self.get_url_list)
        thread_list.append(t_url)
        #.遍历，发送请求，获取响应
        for i in range(): # 添加20个线程
            t_parse = threading.Thread(target=self.parse_url)
            thread_list.append(t_parse)
        #.提取数据
        for i in range(): # 添加2个线程
            t_html = threading.Thread(target=self.get_content_list)
            thread_list.append(t_html)
        #.保存
        t_save = threading.Thread(target=self.save_content_list)
        thread_list.append(t_save)
        for t in thread_list:
            t.setDaemon(True) #把子线程设置为守护线程，该线程不重要，主线程结束，子线程结束(子线程是while true不会自己结束)
            t.start()
 
        for q in [self.url_queue,self.html_queue,self.content_queue]:
            q.join() #让主线程等待阻塞，等待队列的任务完成（即队列为空时 ）之后再进行主线程
 
        print("主线程结束")
 
if __name__ == '__main__':
    qiubai = QiubaiSpdier()
    qiubai.run()
 
# 所没有tast_done方法，程序最终会卡着不动，无法终止
 
# 线程的设计注意：耗时的操作要分配一些线程