Python爬虫多线程提升数据下载的性能优化

Pyhton爬虫多线程提升数据下载的性能优化

很幸运地上了两次Tony老师关于python爬虫的课（收获巨多），在这里我对第一次课做一下知识总结：
1.什么是爬虫？
自动从网络上进行数据采集的程序

• 一个网络蜘蛛就是一种机器人，或者软件代理。大体上，它从一组要访问的URL链接开始，可以称这些URL为种子。爬虫访问这些链接，它辨认出这些页面的所有超链接，然后添加到这个URL列表，可以称作检索前沿。这些URL按照一定的策略反复访问。
• 很多站点，尤其是搜索引擎，都使用爬虫提供最新的数据，它主要用于提供它访问过页面的一个副本，然后，搜索引擎就可以对得到的页面进行索引，以提供快速的访问。
• 蜘蛛也可以在web上用来自动执行一些任务，例如检查链接，确认html代码；也可以用来抓取网页上某种特定类型信息，例如抓取电子邮件地址（通常用于垃圾邮件）。

2.为什么有爬虫？
场景：
（1）.新浪新闻报道的新闻从哪里来的？
①新闻肯定最开始产生于记者，记者将新闻发布到某些平台
②其他平台爬取并使用该平台记者所写的新闻，相当于一个人写了文章，另一个人推送文章
（2.）搜索引擎百度为什么可以承载属于其他网站的信息？
①百度很大一部分工作都是在运行自己的爬虫，采集其他网页并存储下来，等待搜索
②通过爬虫来不断补充自己的知识链，实时更新搜索的结果，内容
（3）电商平台
拼多多采集其他电商平台商品的价格浮动，处理分析
（4）大量数据样本需求
大数据的时代数据分析需要大量的数据样本，采集网络数据

3.在百度上搜索淘宝到得到淘宝的网站信息

• 百度在万维网上爬取了淘宝网的信息，存储在自己的服务器里面，当我们搜索淘宝的时候，是如何从服务器的某个位置准确的把

这些信息找出来的呢？
①DNS协议：解析域名:

• DNS协议是用来将域名转换为IP地址（也可以将IP地址转换为相应的域名地址）。
• DNS允许终端用户设备将给定的人类可读URL转换为网络可以理解的机器可用IP地址。

尽管IP地址能够唯一地标记网络上的计算机，但IP地址是一长串数字，不直观，而且用户记忆十分不方便，于是人们又发明了另一套字符型的地址方案，即所谓的域名地址。IP地址和域名是一一对应的，这份域名地址的信息存放在一个叫域名服务器(DNS，Domain name server)的主机内，使用者只需了解易记的域名地址，其对应转换工作就留给了域名服务器。域名服务器就是提供IP地址和域名之间的转换服务的服务器。——摘自《百度百科》

淘宝的域名->淘宝的ip地址->用户通过ip地址请求服务器->服务器返还请求的淘宝信息->浏览器解析数据，显示界面

②对真实的url路径进行动态的修改

• 锁定抓取的目标，获得目标页面的url
  • 在堆糖网上搜索杨幂我们可以得到域名：
    https://www.duitang.com/search/?kw=杨幂&type=feed
    在我们的pycharm里面显示为：
    https://www.duitang.com/search/?kw=%E6%9D%A8%E5%B9%82&type=feed
    （中间的文字被替换成的字符串设计URL编码）
  • 右键检查查看网页源代码
    往下滑动网页发现：我们每滑动一段就会增加一个条目：
    （网页的动态加载/局部刷新）
    点击其中的一个条目可以看到这个部分的url:
    
• 修改url
  • 删除不必要的成分
    
  • 点开这个链接我们可以看到下面这个页面，复制页面的内容，在浏览器查找一个JSON解析网站，粘贴内容我们观察一下：
    这里显示的就是我们的局部页面的数据：total:3600 next_start:48
    说明该页面一共将显示3600张图片，下一个部分将从第48张开始，即每个部分显示48张图片
    
• 修改url,让每次加载从0开始，最多加载1000张
  
  再次访问链接，将新的网页上的数据内容进行解析可以看到变化：
  这次是每次加载100张，一共有3600张
• 利用字符串进行数据查找，并提取数据
  在pycharm里面要用到第三方的请求库requests，在cmd里面用pip指令安装：pip install requests
  第一步请求获取服务器返回的数据

import requests
""" 利用字符串的格式化，每次访问不同的链接，从index开始请求图片数据
	用get请求数据，如上图网页已经做出要求
	最后的数据都存储在str_get列表里面
"""
URL="https://www.duitang.com/napi/blog/list/by_search/?kw=%E6%9D%A8%E5%B9%82&start={}&limit=3600"
str_get=[]
for index in range(0,3600,100):
     URL.format(index)
     s=requests.get(URL).content.decode("utf-8")
     str_get.append(s)

第二部解析数据：提取需要的内容（图片的链接）
将得到的url存储在url_all列表里

left_part='"https:'
right_part= '"'
url_all=[]
for s in str_get:
     ip_get = []
     start=0
     while s.find(left_part, start)!=-1:
          l = s.find(left_part, start)
          r=s.find(right_part,l+1)
          url=s[l+1:r]
          url_get.append(url)
          start=r
          print(url)
     url_all.extend(url_get)

• 存储数据
  从得到的图片链接获得图片

numbers=0
for url in ip_all:
     numbers+=1
     data=requests.get(url)
     path="image/"+str(numbers)+".jpg"
     with open(path,'wb+') as file:
          file.write(data.content)

然后我们可以在左侧看到存储的图片了

到此我们已经成功爬取到了杨幂的图片了
感谢阅读❤

参考资料：《百度文库》