线程池糗百爬虫(四)

1 线程池使用方法介绍

1 实例化线程池对象

from multiprocessing.dummy import Pool
 pool = Pool(process=5) #默认大小是cup的个数

2 把从发送请求,提取数据,到保存合并成一个函数,交给线程池异步执行

使用方法pool.apply_async(func)

def exetute_requests_item_save(self):
     url = self.queue.get()
     html_str = self.parse_url(url)
     content_list = self.get_content_list(html_str)
     self.save_content_list(content_list)
     self.total_response_num +=1

 pool.apply_async(self.exetute_requests_item_save)

3 添加回调函数

通过apply_async的方法能够让函数异步执行,但是只能够执行一次

为了让其能够被反复执行,通过添加回调函数的方式能够让_callback 递归的调用自己

同时需要指定递归退出的条件

def _callback(self,temp):
     if self.is_running:
          pool.apply_async(self.exetute_requests_item_save,callback=self._callback)

 pool.apply_async(self.exetute_requests_item_save,callback=self._callback)

4 确定程序结束的条件 程序在获取的响应和url数量相同的时候可以结束

while True: #防止主线程结束
     time.sleep(0.0001)  #避免cpu空转,浪费资源
     if self.total_response_num>=self.total_requests_num: # 总的响应数大于总的请求数
         self.is_running= False  # 判断程序是否运行
         break
 self.pool.close() #关闭线程池,防止新的线程开启
# self.pool.join() #等待所有的子线程结束
"""
@author:Rudy

@time : 12月5日

@message:采用线程池爬取糗事百科热门上的段子用户昵称

"""
import time
from queue import Queue
import requests
from lxml import etree
from multiprocessing.dummy import Pool


class QiuBai():
    def __init__(self):
        self.temp_url = "https://www.qiushibaike.com/8hr/page{}"
        self.headers = {
            "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36"}
        self.queue = Queue()
        self.pool = Pool(5)
        self.is_runnig = True
        self.total_request_num = 0
        self.total_response_num = 0

    def get_url_list(self):
        for i in range(1, 14):
            self.queue.put(self.temp_url.format(i))
            self.total_request_num += 1

    def parse_url(self, url):
        response = requests.get(url, headers=self.headers)
        return response.content.decode()

    def get_content_list(self, html_str):
        html = etree.HTML(html_str)
        div_list = html.xpath("//div[@id='content-left']/div")
        content_list = []
        for div in div_list:
            item = {}
            item["username"] = div.xpath(".//h2/text()")[0]
            item["content"] = [i.strip() for i in div.xpath(".//div[@class='content']/span/text()")]  # 敲黑板
            content_list.append(item)
        return content_list

    def save_content_list(self, content_list):
        for content in content_list:
            print(content)

    def _execete_request_content_save(self):
        url = self.queue.get()  # 进行一次url的地址的请求和保存
        html_str = self.parse_url(url)
        # 3 提取数据
        content_list = self.get_content_list(html_str)

        # 4 保存

        self.save_content_list(content_list)

        self.total_response_num += 1

    def _callback(self, temp):
        if self.is_runnig:
            self.pool.apply_async(self._execete_request_content_save, callback=self._callback)

    def run(self):  # 实现主要的逻辑
        # 1 获取URL
        self.get_url_list()
        for i in range(3):  # 设置并发数为3
        # 2 发送请求  获取响应
            self.pool.apply_async(self._execete_request_content_save, callback=self._callback)

        while True:
            time.sleep(0.0001)
            if self.total_response_num >= self.total_request_num:
                self.is_runnig = False
                break


if __name__ == '__main__':
    qiubai = QiuBai()
    qiubai.run()

你可能感兴趣的:(线程池糗百爬虫(四))