课程亮点
系统分析目标网页
html标签数据解析方法
海量图片数据一键保存
环境介绍
python 3.8
pycharm
模块使用
requests >>> pip install requests
parsel >>> pip install parsel
time 时间模块 记录运行时间
流程
一. 分析我们想要的数据内容 是可以从哪里获取
表情包 >>> 图片url地址 以及 图片名字
对于开发者工具的使用 >>>
二. 代码实现步骤
1.发送请求
确定一下发送请求 url地址
请求方式是什么 get请求方式 post请求方式
请求头参数 : 防盗链 cookie …
2.获取数据
获取服务器返回的数据内容
response.text 获取文本数据
response.json() 获取json字典数据
response.content 获取二进制数据 保存图片/音频/视频/特定格式文件内容 都是获取二进制数据内容
3.解析数据
提取我们想要的数据内容
I. 可以直接解析处理
II. json字典数据 键值对取值
III. re正则表达式
IV. css选择器
V. xpath
4.保存数据
文本
csv
数据库
本地文件夹
导入模块
|
1
2
3
4
5
|
import requests # 数据请求模块 第三方模块 pip install requestsimport parsel # 数据解析模块 第三方模块 pip install parselimport re # 正则表达式模块import time # 时间模块import concurrent.futures |
单线程爬取10页数据
1. 发送请求
|
1
2
3
4
5
6
7
8
9
|
start_time = time.time()for page in range(1, 11): url = f'https://fabiaoqing.com/biaoqing/lists/page/{page}html' headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36' } response = requests.get(url=url, headers=headers) # <Response [200]> response 对象 200状态码 表示请求成功 |
2. 获取数据, 获取文本数据 / 网页源代码
|
1
2
3
4
|
# 在开发者工具上面 元素面板 看到有相应标签数据, 但是我发送请求之后 没有这样的数据返回# 我们要提取数据, 要根据服务器返回数据内容# xpath 解析方法 parsel 解析模块 parsel这个模块里面就可以调用xpath解析方法# print(response.text) |
3. 解析数据
|
1
2
3
4
5
6
7
|
# 解析速度 bs4 解析速度会慢一些 如果你想要对于字符串数据内容 直接取值 只能正则表达式 selector = parsel.Selector(response.text) # 把获取下来html字符串数据内容 转成 selector 对象 title_list = selector.css('.ui.image.lazy::attr(title)').getall() img_list = selector.css('.ui.image.lazy::attr(data-original)').getall()# 把获取下来的这两个列表 提取里面元素 一一提取出来# 提取列表元素 for循环 遍历 for title, img_url in zip(title_list, img_list): |
4. 保存数据
|
1
2
3
4
5
6
7
8
9
10
11
|
# split() 字符串分割的方法 根据列表索引位置取值# img_name_1 = img_url[-3:] # 通过字符串数据 进行切片# 从左往右 索引位置 是从 0 开始 从右往左 是 -1开始 # print(title, img_url) title = re.sub(r'[\/:*?"<>|\n]', '_', title) # 名字太长 报错 img_name = img_url.split('.')[-1] # 通过split() 字符串分割的方法 根据列表索引位置取值 img_content = requests.get(url=img_url).content # 获取图片的二进制数据内容 with open('img\\' + title + '.' + img_name, mode='wb') as f: f.write(img_content) print(title) |
多线程爬取10页数据
|
1
2
3
4
5
6
7
|
def get_response(html_url): """发送请求""" headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36' } response = requests.get(url=html_url, headers=headers) return response |
|
1
2
3
4
5
6
7
8
|
def get_img_info(html_url): """获取图片url地址 以及 图片名字""" response = get_response(html_url) selector = parsel.Selector(response.text) # 把获取下来html字符串数据内容 转成 selector 对象 title_list = selector.css('.ui.image.lazy::attr(title)').getall() img_list = selector.css('.ui.image.lazy::attr(data-original)').getall() zip_data = zip(title_list, img_list) return zip_data |
|
1
2
3
4
5
6
7
8
9
|
def save(title, img_url): """保存数据""" title = re.sub(r'[\/:*?"<>|\n]', '_', title) # 名字太长 报错 img_name = img_url.split('.')[-1] # 通过split() 字符串分割的方法 根据列表索引位置取值 img_content = requests.get(url=img_url).content # 获取图片的二进制数据内容 with open('img\\' + title + '.' + img_name, mode='wb') as f: f.write(img_content) print(title) |
多进程爬取10页数据
|
1
2
3
4
|
def main(html_url): zip_data = get_img_info(html_url) for title, img_url in zip_data: save(title, img_url) |
|
1
2
3
4
5
6
7
8
9
10
11
|
if __name__ == '__main__': start_time = time.time() exe = concurrent.futures.ThreadPoolExecutor(max_workers=10) for page in range(1, 11): # 1. 发送请求 url = f'https://fabiaoqing.com/biaoqing/lists/page/{page}html' exe.submit(main, url) exe.shutdown() end_time = time.time() use_time = int(end_time - start_time) print('程序耗时: ', use_time) |
单线程爬取10页数据 61秒时间
多线程爬取10页数据 19秒时间 >>> 13
多进程爬取10页数据 21秒时间 >>> 18
到此这篇关于Python实现多线程爬表情包详解的文章就介绍到这了,更多相关Python 多线程爬表情包内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文链接：https://blog.csdn.net/python56123/article/details/121471909?spm=1001.2014.3001.5501
