【爬虫】多线程爬取图片

多线程爬虫概述

  在当今信息爆炸的时代，网络爬虫（Web Scraper）已成为获取和分析网络数据的重要工具。而多线程爬虫，作为一种提高数据采集效率的技术，更是在处理大规模数据时显得尤为重要。本文将介绍多线程爬虫的基本概念、设计原则以及如何应用于图片爬取任务。
  多线程爬虫是一种利用多线程技术来提高爬虫效率的网络爬虫。与传统的单线程爬虫相比，多线程爬虫可以同时执行多个任务，显著提高数据采集的速度。

1.1 多线程的优势

①多线程允许同时执行多个HTTP请求，减少了等待时间。
②更充分地利用服务器和网络资源。
③某个线程的失败不会影响其他线程的执行。

1.2 多线程的挑战

① 需要合理管理线程间的共享资源。
② 确保代码在多线程环境下依然能够正确执行。
③ 过多的线程可能导致资源竞争和上下文切换开销增大。

设计多线程爬虫

1.1 项目设计

① 设计合理的并发级别，保证合理运用网站资源，但又不会出发反爬虫机制。
② 使用线程池进行线程管理，提高资源的利用率。
③ 使用任务队列来存储待爬取的URL，线程从队列中获取任务进行处理。
④ 确保对网络请求和数据处理过程中可能出现的异常进行捕获和处理。
⑤ 生产者和消费者模式分离。

  生产者

class Procuder(threading.Thread):
	"""
	生产者
	爬取页面，获取图片地址加入到图片队列中
	"""

	def __init__(self, name, page_queue, img_queue, *args, **kwargs):
		super(Procuder, self).__init__(*args, **kwargs)
		self.name = name
		self.page_queue = page_queue
		self.img_queue = img_queue

	def run(self):
		while True:
			if self.page_queue.empty():
				print(self.name + '任务完成~')
				break
			# 1.获取每一页的url
			page_url = self.page_queue.get()

			# 2.爬取页面的数据
			self.spider_page(page_url)

			# 3.休眠0.5秒
			time.sleep(0.5)

	def spider_page(self, url):
		"""
		爬取每一页
		:param url: 每一页的地址
		:return:
		"""
		response = requests.get(url, headers=HEADERS)
		text_raw = response.text

		# 1.使用etree
		html_raw = etree.HTML(text_raw)

		# 2.使用xpath解析数据
		# 注意：过滤掉gif标签图片
		imgs = html_raw.xpath('//div[@class="page-content text-center"]//img[@class!="gif"]')

		# 3.获取图片的实际连接并下载到本地
		for img in imgs:
			# 3.1 图片的实际地址
			img_url = img.get('data-original')

			# 3.2 图片名称替换特殊符号
			alt = re.sub(r'[\?？\.，。！!\*]', '', img.get('alt'))

			# 3.3 提取图片的后缀,组装成文件的名字
			img_name = alt + os.path.splitext(img_url)[-1]

			# 3.4 把爬取到【图片地址+图片名称】以【元组】的形式加入到队列图片队列中
			self.img_queue.put((img_url, img_name))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55

  消费者

class Consumer(threading.Thread):
	"""
	消费者
	获取图片的地址下载到本地
	"""

	def __init__(self, name, page_queue, img_queue, *args, **kwargs):
		super(Consumer, self).__init__(*args, **kwargs)
		self.name = name
		self.page_queue = page_queue
		self.img_queue = img_queue

	def run(self):
		while True:

			if self.img_queue.empty() and self.page_queue.empty():
				print(self.name + '任务完成~')
				break

			# 1.解包，获取图片的地址 + 图片的名称
			img_url, img_name = self.img_queue.get()

			# 2.使用urlretrieve()函数下载图片到本地
			request.urlretrieve(img_url, './imgs/%s' % img_name)

			print(img_name + "下载完成")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

1.2 项目流程

  多线程技术可以显著提高爬虫的效率，特别是在网络IO密集型任务中，如图片下载。当一个线程等待网络响应时，其他线程可以继续执行，这样可以充分利用网络资源和CPU资源，提高爬取速度。

1. 初始化队列。

	# 1.页面的队列
	page_queue = Queue(100)

	# 2.表情图片的队列
	img_queue = Queue(1000)
1
2
3
4
5

2. 爬取页面地址

	# 3.爬取页面的地址
	for x in range(1, 10):
		url = 'http://www.doutula.com/photo/list/?page=%d' % x

		#  存入到页面地址队列中
		page_queue.put(url)
1
2
3
4
5
6

3. 生产者和消费者模式分离，多线程爬取图片

	for x in range(5):
		t = Procuder(name='生产线程-%d' % x, page_queue=page_queue, img_queue=img_queue)
		t.start()

	for x in range(5):
		t = Consumer(name='消费线程-%d' % x, page_queue=page_queue, img_queue=img_queue)
		t.start()
1
2
3
4
5
6
7

1.3注意事项

① 在进行网络爬虫操作时，必须遵守相关法律法规，尊重目标网站的robots.txt文件。
② 设置合理的用户代理，模拟正常用户访问。
③ 合理设置请求频率，避免给服务器带来过大压力。

总结

  多线程爬虫通过提高并发度，可以大幅提升数据采集的效率，尤其适用于图片等静态资源的爬取。然而，设计和实现多线程爬虫需要考虑线程安全、资源管理和异常处理等多个方面。在实践中，开发者应注重效率与规范的平衡，确保爬虫的合法合规运行。