:-: 
多線程與單線程爬蟲流程圖
```python
"""
@Date 2021/4/5
"""
import requests
from lxml import etree
from urllib import request
import threading
from queue import Queue
class Producer(threading.Thread):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36',
'Host': 'www.doutula.com',
'Cookie': '__cfduid=d0482fd98715b92c3742dd452c58abe991582206241; UM_distinctid=17062d74e572d0-06f72cf9e39479-2393f61-1fa400-17062d74e595e0; CNZZDATA1256911977=1187705542-1582204806-%7C1582204806; _ga=GA1.2.188432079.1582206243; _gid=GA1.2.321283468.1582206243; __gads=ID=b074b5de9483e3e6:T=1582206242:S=ALNI_MY0LJl_kXttlOHBqkHIVODQTtkVmQ; _agep=1582206244; _agfp=698bc2e12789df094f2cdcc72a7f6225; _agtk=e92fbe464dff15783076bd9190dd965b; XSRF-TOKEN=eyJpdiI6IktrNHNhRUdBNDNtbENxOU5TdnBZUXc9PSIsInZhbHVlIjoiVTE5eVZTbWdTNTJyRmJwdnBcLzhieVlSb2YzMFNjQlNzMEN6YlNiSXJ0NXpBNnA3YjNwcUxNTFFGdEpjbWRDenUiLCJtYWMiOiI0MWFjYzRkN2RlYjMwNDI0OWI2YTc0Y2VhNjQ4ZTkyNGZkOGFmYmU4YTk5ZTUzNzU4M2FhYjMzMzEzOTk3MWZlIn0%3D; doutula_session=eyJpdiI6InRaa09IWis4K0Jic2pIdm9tNnlJWUE9PSIsInZhbHVlIjoianc5QUV4WGYrMFA1R2g1S3pNU2tGU2g5b1RPVG8yaDEwenRuXC9Vdk8rZW5MN0dqbTNNSUpsWjVIMmhDWHJPcjkiLCJtYWMiOiI0OTUxZDQxMThmMmFhMDcyZDAwZGYxNGViY2JhOGQ3Mjg0MzY0MDgxNjExMTE5NGQ3NmYwMGEwNTYzMDM3MDEwIn0%3D'
}
def __init__(self, page_queue, img_queue):
super().__init__()
self.page_queue = page_queue
self.img_queue = img_queue
def run(self):
while True:
if self.page_queue.empty():
break
url = self.page_queue.get()
self.parse_page(url)
def parse_page(self, url):
response = requests.get(url, headers=self.headers)
text = response.text
html = etree.HTML(text)
imgs = html.xpath("//div[@class='page-content text-center']//img")
for img in imgs:
img_url = img.get('data-original')
alt = img.get('alt')
self.img_queue.put((img_url, alt))
class Consumer(threading.Thread):
def __init__(self, page_queue, img_queue):
super().__init__()
self.page_queue = page_queue
self.img_queue = img_queue
def run(self):
while True:
if self.page_queue.empty() and self.img_queue.empty():
break
img = self.img_queue.get()
img_url, filename = img
# 將圖片保存到自己電腦的images/{}.jpg路徑中
request.urlretrieve(img_url, 'images/{}.jpg'.format(filename))
print("正在下載-{}".format(filename))
def main():
"""
Producer線程負責獲取圖片的url,Consumer線程負責將圖片寫入到磁盤中
"""
page_queue = Queue(100)
img_queue = Queue(500)
for page in range(1, 101):
url = 'http://www.doutula.com/photo/list/?page={}'.format(page)
page_queue.put(url)
for i in range(5):
t = Producer(page_queue, img_queue)
t.start()
for i in range(5):
t = Consumer(page_queue, img_queue)
t.start()
if __name__ == '__main__':
main()
```
- 爬蟲基本概念
- 爬蟲介紹
- 通用爬蟲與聚焦爬蟲
- 通用爬蟲
- 聚焦爬蟲
- HTTP與HTTPS協議
- HTTP協議簡介
- HTTP的請求與響應
- 客戶端HTTP請求
- 服務端HTTP響應
- requests庫
- requests庫簡介
- requests簡單使用
- 發送帶header的請求
- 發送帶參數的請求
- 案例:下載百度貼吧頁面
- 發送POST請求
- 使用代理
- 為什么要使用代理?
- 正反向代理
- 代理服務器分類
- 使用代理
- cookie和session
- cookie和session的區別
- 爬蟲處理cookie和session
- 使用session登錄網站
- 使用cookie登錄網站
- cookiejar
- 超時和重試
- verify參數忽略CA證書
- URL地址的解碼和編碼
- 數據處理
- json數據處理
- json數據處理方案
- json模塊處理json數據
- jsonpath處理json數據
- 正則表達式
- lxml
- xpath與lxml介紹
- xpathhelper插件
- 案例
- Beautiful Soup
- Beautiful Soup介紹
- 解析器
- CSS選擇器
- 案例
- 四大對象
- 爬蟲與反爬蟲
- 爬蟲與反爬蟲的斗爭
- 服務器反爬的原因
- 什么樣的爬蟲會被反爬
- 反爬領域常見概念
- 反爬的三個方向
- 基于身份識別進行反爬
- 基于爬蟲行為進行反爬
- 基于數據加密進行反爬
- js解析
- chrome瀏覽器使用
- 定位js
- 設置斷點
- js2py
- hashlib
- 有道翻譯案例
- 動態爬取HTML
- 動態HTML
- 獲取Ajax數據的方式
- selenium+driver
- driver定位
- 表單元素操作
- 行為鏈
- cookie操作
- 頁面等待
- 多窗口與頁面切換
- 配置對象
- 拉勾網案例
- 圖片驗證碼識別
- 圖形驗證碼識別技術簡介
- Tesseract
- pytesseract處理圖形驗證碼
- 打碼平臺
- 登錄打碼平臺
- 驗證碼種類
- 多任務-線程
- 繼承Thread創建線程
- 查看線程數量
- 資源共享
- 互斥鎖
- 死鎖
- 避免死鎖
- Queue線程
- 多線程爬蟲
- 多任務-進程
- 創建進程
- 進程池
- 進程間的通信
- Python GIL
- scrapy框架
- scrapy是什么?
- scrapy爬蟲流程
- 創建scrapy項目
- Selector選擇器
- logging
- scrapy shell
- 保存數據
- Item數據建模
- 翻頁請求
- Request
- CrawlSpider
- settings
- 模擬登錄
- 保存文件
- 內置Pipeline
- 自定義Pipeline
- 中間件
- selenium動態加載
- 防止反爬
- 隨機User-Agent
- 隨機IP代理
- settings中的參數
- 隨機延遲
- request.meta常用參數
- 分布式爬蟲
- 分布式原理
- scrapy_redis
- 去重問題
- 分布式爬蟲編寫流程
- CrawSpider改寫成分布式
- scrapy_splash
- scrapy_splash是什么?
- scrapy_splash環境搭建
- APP抓取
- Android模擬器
- appium
- appium是什么?
- appium環境搭建
- appium環境聯調測試
- appium的使用
- 演示項目-抓取抖音app
- 抖音app與appium的聯調測試
- 元素定位
- 抖音appium代碼
- 抓包軟件
- url去重處理