微信公众号：运维开发故事，作者：素心

这里将会以一个例子展开探讨多线程在爬虫中的应用，所以不会过多的解释理论性的东西，并发详情点击连接
爬取某应用商店

当然，爬取之前请自行诊断是否遵循君子协议，遵守就爬不了数据
查看robots协议只需要在域名后缀上rebots.txt即可
例如：

文章图片

1. 目标

• URL:http://app.mi.com/category/15
  
• 【python|使用Python抓取动态网站数据】获取“游戏”分类的所有APP名称、简介、下载链接
  

2. 分析 2.1 网页属性
首先，需要判断是不是动态加载
点击翻页，发现URL后边加上了#page=1，这也就是说，查询参数为1的时候为第二页，写一个小爬虫测试一下

import requestsurl = "http://app.mi.com/category/15"headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36"}html = requests.get(url=url, headers=headers).content.decode("utf-8")print(html)

在输出的html中搜索“王者荣耀”，发现并没有什么问题，那么第二页呢？将上述代码中的url = "http://app.mi.com/category/15"改为url = "http://app.mi.com/category/15#page=1"
再次搜索第二页的内容”炉石传说”，发现并没有搜索出来，那么该网站可能是动态加载

• 抓包分析
  打开chrome自带的窃听器，切换到network，点击翻页
  
  文章图片
  
  可以看到该GET请求后缀很多参数
  
  文章图片
  
  经过多次测试发现
  
• page为页数，但是值需要减1才是真实的页数
  
• categoryId为应用分类
  
• pageSize尚不明确，所以将抓到包的URL打开看一下
  
  文章图片
  
  不难发现，pageSize为每一页显示APP信息的个数，并且返回了一个json字串
  

2.2 分析json
复制一段json过来

{"count":2000, "data": [ {"appId":108048,"displayName":"王者荣耀","icon":"http://file.market.xiaomi.com/thumbnail/PNG/l62/AppStore/0eb7aa415046f4cb838cfe5b5d402a5efc34fbb25","level1CategoryName":"网游RPG","packageName":"com.tencent.tmgp.sgame" }, {}, ... ] }

所有的信息都不知道是干啥的，暂时保存
2.3 二级页面
点击”王者荣耀”，跳转到APP详情，看下URL是什么样子
http://app.mi.com/details?id=com.tencent.tmgp.sgame
然后这里会惊奇的发现，id的查询参数和上边的packageName的值一样，所以详情页就需要拼接URL
2.4 获取信息

• APP名称
  

  深圳市腾讯计算机系统有限公司
王者荣耀
......

  
  
• APP简介
  

  《王者荣耀》是腾讯第一5V5团队公平竞技手游，国民MOBA手游大作！5V5王者峡谷、公平对战，还原MOBA经典体验；契约之战、五军对决、边境突围等，带来花式作战乐趣！10秒实时跨区匹配，与好友开黑上分，向最强王者进击！多款英雄任凭选择，一血、五杀、超神，实力碾压，收割全场！敌军即将到达战场，王者召唤师快来集结好友，准备团战，就在《王者荣耀》！
新版特性
1.新英雄-马超：五虎将的最后一位英雄，通过“ 投掷-拾取” ，强化攻击在复杂的战场中穿梭。
2.新玩法-王者模拟战（即将上线）：在机关沙盘中，招募英雄，排兵布阵，与其他七位玩家比拼策略！
3.新系统-万象天工：整合以往所有的娱乐模式玩法，冒险之旅玩法。未来，用户使用编辑器“ 天工” 创作的优质原创玩法，将有可能会加入到万象天工；
4.新功能-职业选手专属认证：百余位KPL职业选手游戏内官方认证；
5.新功能-不想同队：王者50星以下的排位赛，在结算界面可设置不想同队的玩家；
6.新功能-系统AI托管：玩家在遭遇挂机后可选择AI托管，但AI不会CARRY比赛；
7.新皮肤：沈梦溪-鲨炮海盗猫。


  
  
• APP下载地址
  

  直接下载

  
  

2.4 确认技术
由以上分析可以得出，使用lxml提取数据将会是不错的选择，有关xpath使用请点击跳转
xpath语法如下：

• 名称：
  //div[@class="intro-titles"]/h3/text()
  
• 简介：
  //p[@class="pslide"][1]/text()
  
• 下载链接：
  //a[@class="download"]/@href
  

3. 代码实现

import requestsfrom lxml import etreeclass MiSpider(object): def __init__(self): self.bsase_url = "http://app.mi.com/categotyAllListApi?page={}&categoryId=15&pageSize=30" # 一级页面的URL地址 self.headers = {"User-Agent":"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0; "}# 获取响应对象 def get_page(self, url): reponse = requests.get(url=url, headers=self.headers)return reponse# 解析一级页面，即json解析，得到APP详情页的链接 def parse_page(self, url): html = self.get_page(url).json()# two_url_list:[{"appId":"108048","dispayName":"..",...},{},{},...] two_url_list = html["data"]for two_url in two_url_list: two_url = "http://app.mi.com/details?id={}".format(two_url["packageName"]) # 拼接app详情链接 self.parse_info(two_url)# 解析二级页面，得到名称、简介、下载链接 def parse_info(self, two_url): html = self.get_page(two_url).content.decode("utf-8") parse_html = etree.HTML(html)# 获取目标信息 app_name = parse_html.xpath('//div[@class="intro-titles"]/h3/text()')[0].strip() app_info = parse_html.xpath('//p[@class="pslide"][1]/text()')[0].strip() app_url = "http://app.mi.com" + parse_html.xpath('//a[@class="download"]/@href')[0].strip()print(app_name, app_url, app_info)# 主函数 def main(self): for page in range(67): url = self.bsase_url.format(page) self.parse_page(url)if __name__ == "__main__": spider = MiSpider() spider.main()

接下来将数据存储起来，存储的方式有很多csv、MySQL、MongoDB
数据存储 这里采用MySQL数据库将其存入
建表SQL

/* Navicat MySQL Data Transfer Source Server: xxx Source Server Type: MySQL Source Server Version : 50727 Source Host: MySQL_ip:3306 Source Schema: MIAPP Target Server Type: MySQL Target Server Version : 50727 File Encoding: 65001 Date: 13/09/2019 14:33:38 */CREATE DATABASE MiApp CHARSET=UTF8; SET NAMES utf8mb4; SET FOREIGN_KEY_CHECKS = 0; -- ---------------------------- -- Table structure for app -- ---------------------------- DROP TABLE IF EXISTS `app`; CREATE TABLE `app`( `name` varchar(20) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL COMMENT 'APP名称', `url` text CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL COMMENT 'APP下载链接', `info` longtext CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL COMMENT 'APP简介' ) ENGINE = InnoDB CHARACTER SET = utf8mb4 COLLATE = utf8mb4_general_ci ROW_FORMAT = Dynamic; SET FOREIGN_KEY_CHECKS = 1;

1. pymysql 简单介绍一下pymysql 的使用，该模块为第三方，需要用pip安装，安装方法不再赘述。
1.1 内置方法
pymysql方法

• connect()连接数据库，参数为连接信息（host, port, user, password, charset）

pymysql对象方法

• cursor()游标，用来定位数据库
  
• cursor.execute(sql)执行sql语句
  
• db.commit()提交事务
  
• cursor.close()关闭游标
  
• db.close()关闭连接
  

1.2 注意事项
只要涉及数据的修改操作，必须提交事务到数据库
查询数据库需要使用fet方法获取查询结果
1.3 详情
更多详情可以参考pymsql
2. 存储 创建配置文件（config.py）

''' 数据库连接信息 '''HOST = "xxx.xxx.xxx.xxx"PORT = 3306USER = "xxxxx"PASSWORD = "xxxxxxx"DB = "MIAPP"CHARSET = "utf8mb4"

表结构

mysql> desc MIAPP.app; +-------+--------------+------+-----+---------+-------+ | Field | Type| Null | Key | Default | Extra | +-------+--------------+------+-----+---------+-------+ | name| varchar(20)| YES|| NULL|| | url| varchar(255) | YES|| NULL|| | info| text| YES|| NULL|| +-------+--------------+------+-----+---------+-------+3 rows in set (0.00 sec)

SQL语句

insert into app values(name,url,info);

完整代码

import requestsfrom lxml import etreeimport pymysqlfrom config import *class MiSpider(object): def __init__(self): self.bsase_url = "http://app.mi.com/categotyAllListApi?page={}&categoryId=15&pageSize=30" # 一级页面的URL地址 self.headers = {"User-Agent":"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0; "} self.db = pymysql.connect(host=HOST, port=PORT, user=USER, password=PASSWORD, database=DB, charset=CHARSET) # 连接数据库 self.cursor = self.db.cursor() # 创建游标 self.i = 0 # 用来计数，无其他作用# 获取响应对象 def get_page(self, url): reponse = requests.get(url=url, headers=self.headers)return reponse# 解析一级页面，即json解析，得到APP详情页的链接 def parse_page(self, url): html = self.get_page(url).json()# two_url_list:[{"appId":"108048","dispayName":"..",...},{},{},...] two_url_list = html["data"]for two_url in two_url_list: two_url = "http://app.mi.com/details?id={}".format(two_url["packageName"]) # 拼接app详情链接 self.parse_info(two_url)# 解析二级页面，得到名称、简介、下载链接 def parse_info(self, two_url): html = self.get_page(two_url).content.decode("utf-8") parse_html = etree.HTML(html)# 获取目标信息 app_name = parse_html.xpath('//div[@class="intro-titles"]/h3/text()')[0].strip() app_info = parse_html.xpath('//p[@class="pslide"][1]/text()')[0].strip() app_url = "http://app.mi.com" + parse_html.xpath('//a[@class="download"]/@href')[0].strip()ins = "insert into app(name,url,info) values (%s,%s,%s)" # 需要执行的SQL语句self.cursor.execute(ins, [app_name, app_url, app_info])self.db.commit()self.i += 1 print("第{}APP {}成功写入数据库".format(self.i, app_name))# 主函数 def main(self): for page in range(67): url = self.bsase_url.format(page) self.parse_page(url)# 断开数据库 self.cursor.close() self.db.close()print("执行结束，共{}个APP成功写入".format(self.i))if __name__ == "__main__": spider = MiSpider() spider.main()

文章图片

多线程 爬取上述信息似乎有点慢，如果数据多的话太耗时，而且计算机资源也得不到充分的利用
这就需要用多线程的理念，关于多进程和多线程的概念网上比比皆是，只需要明白一点
进程可以包含很多个线程，进程死掉，线程不复存在

打个比方，假设有一列火车，把这列火车理解成进程的话，那么每节车厢就是线程，正是这许许多多的线程才共同组成了进程

python中有多线程的概念
假设现在有两个运算：

n += 1n -= 1

在python内部实际上这样运算的

x = n x = n + 1n = xx = n x = n + 1n = x

线程有一个特性，就是会争夺计算机资源，如果一个线程在刚刚计算了x = n这时候另一个线程n = x运行了，那么这样下来全就乱了， 也就是说n加上一千个1再减去一千个1结果不一定为1，这时就考虑线程加锁问题了。

每个线程在运行的时候争抢共享数据，如果线程A正在操作一块数据，这时B线程也要操作该数据，届时就有可能造成数据紊乱，从而影响整个程序的运行。
所以Python有一个机制，在一个线程工作的时候，它会把整个解释器锁掉，导致其他的线程无法访问任何资源，这把锁就叫做GIL全局解释器锁，正是因为有这把锁的存在，名义上的多线程实则变成了单线程，所以很多人称GIL是python鸡肋性的存在。
针对这一缺陷，很多的标准库和第三方模块或者库都是基于这种缺陷开发，进而使得Python在改进多线程这一块变得尤为困难，那么在实际的开发中，遇到这种问题本人目前用四种解决方式：

• 用multiprocessing代替Thead
  
• 更换cpython为jpython
  
• 加同步锁threading.Lock()
  
• 消息队列queue.Queue()
  

如果需要全面性的了解并发，请点击并发编程，在这里只简单介绍使用
1. 队列方法

# 导入模块from queue import Queue# 使用q = Queue() q.put(url) q.get() # 当队列为空时，阻塞q.empty() # 判断队列是否为空，True/False

2. 线程方法

# 导入模块from threading import Thread# 使用流程t = Thread(target=函数名) # 创建线程对象t.start() # 创建并启动线程t.join() # 阻塞等待回收线程# 创建多线程for i in range(5): t = Thread(target=函数名) t.start() t.join()

3. 改写 理解以上内容就可以将原来的代码改写多线程，改写之前加上time来计时

文章图片

多线程技术选用：

• 爬虫涉及IO操作较多，贸然改进程会造成计算机资源的浪费。
  pass
  
• 更换jpython简直没必要。
  pass
  
• 加锁可以实现，不过针对IO还是比较慢，因为操作文件的话，必须加锁。
  pass
  
• 使用消息队列可有效的提高爬虫速率。
  

线程池的设计：

• 既然爬取的页面有67页，APP多达2010个，则考虑将URL入列

def url_in(self): for page in range(67): url = self.bsase_url.format(page) self.q.put(page)

下边是完整代码

import requestsfrom lxml import etreeimport timefrom threading import Threadfrom queue import Queueimport jsonimport pymysqlfrom config import *class MiSpider(object): def __init__(self): self.url = "http://app.mi.com/categotyAllListApi?page={}&categoryId=15&pageSize=30" self.headers = {"User-Agent": "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3895.5 Safari/537.36"}# 创建URL队列 self.url_queue = Queue()# 把所有要爬取的页面放进队列 def url_in(self): for page in range(67): url = self.url.format(page)# 加入队列 self.url_queue.put(url)# 线程事件函数 def get_data(self): while True:# 如果结果 为True,则队列为空了 if self.url_queue.empty():break # get地址,请求一级页面 url = self.url_queue.get() html = requests.get(url=url, headers=self.headers).content.decode("utf-8") html = json.loads(html) # 转换为json格式 # 解析数据 app_list = [] # 定义一个列表,用来保存所有的APP信息 [(name,url,info),(),(),...] for app in html["data"]:# 应用链接 app_link = "http://app.mi.com/details?id=" + app["packageName"] app_list.append(self.parse_two_page(app_link))return app_listdef parse_two_page(self, app_link): html = requests.get(url=app_link, headers=self.headers).content.decode('utf-8') parse_html = etree.HTML(html)app_name = parse_html.xpath('//div[@class="intro-titles"]/h3/text()')[0].strip() app_url = "http://app.mi.com" + parse_html.xpath('//div[@class="app-info-down"]/a/@href')[0].strip() app_info = parse_html.xpath('//p[@class="pslide"][1]/text()')[0].strip()info = (app_name, app_url, app_info)print(app_name)return info# 主函数 def main(self): # url入队列 self.url_in()# 创建多线程 t_list = []for i in range(67): t = Thread(target=self.get_data) t_list.append(t) t.start()for i in t_list: i.join()db = pymysql.connect(host=HOST, user=USER, password=PASSWORD, database=DB, charset=CHARSET) cursor = db.cursor()ins = 'insert into app values (%s, %s, %s)'app_list = self.get_data() print("正在写入数据库") cursor.executemany(ins, app_list)db.commit() cursor.close() db.close()if __name__ == '__main__': start = time.time() spider = MiSpider() spider.main() end = time.time()print("执行时间:%.2f"% (end - start))

当然这里的设计理念是将URL纳入队列之中，还可以将解析以及保存都写进线程，以提高程序的执行效率。
更多爬虫技术点击访问
欢迎各位一起交流

文章图片

推荐阅读

• 

  高三复读生该如何减压？身心健康才是成功教育！
• 

  ps褶皱文字怎么做 photoshop制作褶皱文字效果的操作步骤
• 

  昆仑山在哪 昆仑山的位置
• 

  日异月殊的意思 日异月殊的出处
• 

  高效能慢生活践行第626天1103-2020
• 

  等额本息和等额本金哪个划算 等额本息和等额本金哪个划算30年
• 

  浴盐多久用一次好
• 

  板鞋五个洞系鞋带的方法 板鞋五个洞系鞋带的方法图解
• 

  血见愁的功效与作用 血见愁
• 

  烫头发的药水
• 

  适合旅游的时候用的相机
• 

  天魔劫 天劫
• 

  盈滨海岸 一米海岸
• 

  用完脱毛仪之后可以用身体乳么
• 

  苦苣菜的做法和功效
• 

  电视坏了可以改成什么样的，电视坏了可以改成什么样的电视
• 

  虎牙直播一直正在加载，虎牙直播一直正在加载怎么回事
• 

  建安文学对后代文学有何积极影响
• 

  2022年5月希腊移民入境人数激增
• 

  想回农村养兔子最少得养多少？

• python|python get请求 url_python实现http get请求
• 服务器|JetBrains全家桶(PyCharm/WebStorm/IntelliJIDEA) Deployment一键部署
• 如何建立一个完美的 Python 项目（）
• 详解增强算术赋值（“-=”操作是怎么实现的（））
• MyBatis|Springboot整合Mybatis-plus
• GUI 应用（socket 网络聊天室）
• gslb（global server load balance）技术的一点理解
• c++|【C++篇】AVL树
• c++|【C++篇】map和set的简单介绍