多线程爬虫之糗事百科(二)

在python3中,主线程结束,子线程不会结束

在python3中,主进程结束,子进程不会结束

为了能够让主线程回收子线程，可以把子线程设置为守护线程,即该线程不重要，主线程结束，子线程结束

# 多线程爬虫
threading

t1 = threading.Thread(target=func,args=(,))  # 创建了一个线程
t1.setDaemon(True)  # 设置守护线程
t1.start()  # 启动创建的线程

队列模块的使用

from queue import Queue # 导入Queue模块
q = Queue(maxsize=100) #实例化一个队列对象,参数可以设置队列的最大个数
item = {} # 创建一个空字典,存储队列
q.put_nowait(item) #不等待直接放，队列满的时候会报错
q.put(item) #放入数据，队列满的时候回等待
q.get_nowait() #不等待直接取，队列空的时候会报错
q.get() #取出数据，队列为空的时候会等待
q.qsize() #获取队列中现存数据的个数 
q.join() #队列中维持了一个计数，计数不为0时候让主线程阻塞等待，队列计数为0的时候才会继续往后执行
q.task_done() 
# put的时候计数+1，get不会-1，get需要和task_done 一起使用才会-1

多线程实现思路剖析

1. 把爬虫中的每个步骤封装成函数，分别用线程去执行

2. 不同的函数通过队列相互通信，函数间解耦

"""
@author:Rudy

@time : 12月4日

@message:多线程爬取糗事百科热门上的段子用户昵称

"""


import threading
import requests
from lxml import etree
from queue import Queue
import time


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.url_queue = Queue()
        self.html_queue = Queue()
        self.content_list_queue = Queue()

    def get_url_list(self):
        for i in range(1,14):
            self.url_queue.put(self.temp_url.format(i))

    def parse_url(self): # 不在接收参数,而是直接从url列表中取
        while True:
            url = self.url_queue.get()
            response = requests.get(url, headers=self.headers)
            print(response)
            if response.status_code != 200:
                self.url_queue.put(url)
            # return response.content.decode() 取完之后不在返回
            else:
                self.html_queue.put(response.content.decode())
            self.url_queue.task_done() # 让队列的计数减1

    def get_content_list(self):  # 提取数据
        while True:
            html_str = self.html_queue.get()
            html = etree.HTML(html_str)
            div_list = html.xpath("//div[@id='content-left']/div")
            content_list = []
            for div in div_list:
                item = {}
                item["user_name"] = div.xpath(".//h2/text()")
                item["content"] = [i.strip() for i in div.xpath(".//div[@class='content']/span/text()")] # 列表推导式
                content_list.append(item)
            # return content_list
            self.content_list_queue.put(content_list)
            self.html_queue.task_done()

    def save_content_list(self):
        while True:
            content_list = self.content_list_queue.get()
            for content in content_list:
                # print(content)
                pass
            self.content_list_queue.task_done()

    def run(self):  # 实现主要的逻辑
        thread_list = []
        # 1 准备URL列表
        t_url = threading.Thread(target= self.get_url_list)
        thread_list.append(t_url)
        # 2 遍历发送请求,获取响应
        for i in range(3): # 启动3个线程
            t_parse = threading.Thread(target=self.parse_url)
            thread_list.append(t_parse)
        # 3 提取数据
        t_content = threading.Thread(target=self.get_content_list)
        thread_list.append(t_content)
        # 4 保存
        t_save = threading.Thread(target=self.save_content_list)
        thread_list.append(t_save)

        for t in thread_list: # 设置子线程守护线程
            t.setDaemon(True)
            t.start()

        for q in [self.url_queue,self.content_list_queue,self.html_queue]:
            q.join() # 让主线程阻塞,等待队列计数为0


if __name__ == '__main__':
    t1 = time.time()
    qiubai = QiuBai()
    qiubai.run()
    print("total cost:",time.time()-t1)