爬虫项目介绍

  本次爬虫项目将爬取豆瓣Top250电影的图片,其网址为:https://movie.douban.com/top250, 具体页面如下图所示:

豆瓣Top250电影

  本次爬虫项目将分别不使用多线程和使用多线程来完成,通过两者的对比,显示出多线程在爬虫项目中的巨大优势。本文所使用的多线程用到了concurrent.futures模块,该模块是Python中最广为使用的并发库,它可以非常方便地将任务并行化。在concurrent.futures模块中,共有两种并发模块,分别如下:

  • 多线程模式:ThreadPoolExecutor,适合 IO密集型任务;

  • 多进程模式:ProcessPoolExecutor,适合计算密集型任务。

具体的关于该模块的介绍可以参考其官方网址:https://docs.python.org/3/library/concurrent.futures.html
  本次爬虫项目将会用到concurrent.futures模块中的ThreadPoolExecutor类,多线程豆瓣Top250电影图片。下面将会给出本次爬虫项目分别不使用多线程和使用多线程的对比,以此来展示多线程在爬虫中的巨大优势。

不使用多线程

  首先,我们不使用多线程来下载豆瓣Top250电影图片,其完整的Python代码如下:

import time 
import requests 
import urllib.request 
from bs4 import BeautifulSoup 
 
# 该函数用于下载图片 
# 传入函数: 网页的网址url 
def download_picture(url): 
 
    # 获取网页的源代码 
    r = requests.get(url) 
    # 利用BeautifulSoup将获取到的文本解析成HTML 
    soup = BeautifulSoup(r.text, "lxml") 
    # 获取网页中的电影图片 
    content = soup.find('div', class_='article') 
    images = content.find_all('img') 
    # 获取电影图片的名称和下载地址 
    picture_name_list = [image['alt'] for image in images] 
    picture_link_list = [image['src'] for image in images] 
 
    # 利用urllib.request..urlretrieve正式下载图片 
    for picture_name, picture_link in zip(picture_name_list, picture_link_list): 
        urllib.request.urlretrieve(picture_link, 'E://douban/%s.jpg' % picture_name) 
 
 
def main(): 
 
    # 全部10个网页 
    start_urls = ["https://movie.douban.com/top250"] 
    for i in range(1, 10): 
        start_urls.append("https://movie.douban.com/top250?start=%d&filter=" % (25 * i)) 
 
    # 统计该爬虫的消耗时间 
    t1 = time.time() 
    print('*' * 50) 
 
    for url in start_urls: 
        download_picture(url) 
    t2 = time.time() 
 
    print('不使用多线程,总共耗时:%s'%(t2-t1)) 
    print('*' * 50) 
 
main()

其输出结果如下:

************************************************** 
不使用多线程,总共耗时:79.93260931968689 
**************************************************

去E盘中的douban文件夹查看,如下图:

下载的电影图片

  我们可以看到,在不使用多线程的情况下,这个爬虫总共耗时约80s,完成了豆瓣Top250电影图片的下载。

使用多线程

  接下来,我们使用多线程来下载豆瓣Top250电影图片,其完整的Python代码如下:

import time 
import requests 
import urllib.request 
from bs4 import BeautifulSoup 
from concurrent.futures import ThreadPoolExecutor, wait, ALL_COMPLETED 
 
# 该函数用于下载图片 
# 传入函数: 网页的网址url 
def download_picture(url): 
 
    # 获取网页的源代码 
    r = requests.get(url) 
    # 利用BeautifulSoup将获取到的文本解析成HTML 
    soup = BeautifulSoup(r.text, "lxml") 
    # 获取网页中的电影图片 
    content = soup.find('div', class_='article') 
    images = content.find_all('img') 
    # 获取电影图片的名称和下载地址 
    picture_name_list = [image['alt'] for image in images] 
    picture_link_list = [image['src'] for image in images] 
 
    # 利用urllib.request..urlretrieve正式下载图片 
    for picture_name, picture_link in zip(picture_name_list, picture_link_list): 
        urllib.request.urlretrieve(picture_link, 'E://douban/%s.jpg' % picture_name) 
 
 
def main(): 
 
    # 全部10个网页 
    start_urls = ["https://movie.douban.com/top250"] 
    for i in range(1, 10): 
        start_urls.append("https://movie.douban.com/top250?start=%d&filter=" % (25 * i)) 
 
    # 统计该爬虫的消耗时间 
    print('*' * 50) 
    t3 = time.time() 
 
    # 利用并发下载电影图片 
    executor = ThreadPoolExecutor(max_workers=10)  # 可以自己调整max_workers,即线程的个数 
    # submit()的参数: 第一个为函数, 之后为该函数的传入参数,允许有多个 
    future_tasks = [executor.submit(download_picture, url) for url in start_urls] 
    # 等待所有的线程完成,才进入后续的执行 
    wait(future_tasks, return_when=ALL_COMPLETED) 
 
    t4 = time.time() 
    print('使用多线程,总共耗时:%s' % (t4 - t3)) 
    print('*' * 50) 
 
main()

其输出结果如下:

************************************************** 
使用多线程,总共耗时:9.361606121063232 
**************************************************

再去E盘中的douban文件夹查看,发现同样也下载了250张电影图片。

总结

  通过上述两个爬虫程序的对比,我们不难发现,同样是下载豆瓣Top250电影,10个网页中的图片,在没有使用多线程的情况下,总共耗时约80s,而在使用多线程(10个线程)的情况下,总共耗时约9.5秒,效率整整提高了约8倍。这样的效率提升在爬虫中无疑是令人兴奋的。
  希望读者在看了本篇博客后,也能尝试着在自己的爬虫中使用多线程,说不定会有意外的惊喜哦~~因为,大名鼎鼎的Python爬虫框架Scrapy,也是使用多线程来提升爬虫速度的哦!

发布评论

分享到:

IT虾米网

微信公众号号:IT虾米 (左侧二维码扫一扫)欢迎添加!

这两年在大数据行业中的工作总结详解
你是第一个吃螃蟹的人
发表评论

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。