【每日爬虫】：利用线程池爬取2万张装修效果图

一、前言

---

2020-04-08日爬虫练习
每日一个爬虫小练习，学习爬虫的记得关注哦！

学习编程就像学习骑自行车一样，对新手来说最重要的是持之以恒的练习。
在《汲取地下水》这一章节中看见的一句话：“别担心自己的才华或能力不足。持之以恒地练习，才华便会有所增长”，现在想来，真是如此。

二、需求

具体参考我昨日爬虫：【每日爬虫】：给自己打造一个温馨的家，面朝大海，春暖花开

三、技术路线

import requests 
import random, os, sys
from bs4 import BeautifulSoup  # 数据解析之BeautifulSoup4库
import re,time  # 正则表达式
from concurrent.futures import ThreadPoolExecutor   # 线程池

关于 线程池 可以参考我免费专栏：python多线程与多进程编程
关于 requests 和 BeautifulSoup模块可以关注我免费专栏：爬虫学习笔记

四、线程池爬取2万张装修效果图

'''
    线程池爬土巴兔装修效果图，按分类爬取

    version:02
    author：金鞍少年
    Blog：https://jasn67.blog.csdn.net/
    date：2020-04-08


    可以按照这个思路将所有涉及到网络请求，添加到异步线程池中，这样速度更快，但是对目标网站不友好，高频请求可能会导致被封IP

'''
import requests
import random, os, sys
from bs4 import BeautifulSoup
import re,time
from concurrent.futures import ThreadPoolExecutor


class House_renderings():
    def __init__(self):
        self.pool = ThreadPoolExecutor(10)  # 开10个线程的线程池
        self.is_running = True   # 当is_running为True时，说明程序还在运行
        # 户型
        self.house_lis = '''
                        ------- 请选择户型 ---------
                        1:一居室
                        2:两居室
                        3:三居室
                        4:四居室及以上
                        5:复式
                        6:别墅豪宅
                        7:其他
                        8:退出
                        '''

        self.headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36',
            'Referer': 'https://xiaoguotu.to8to.com/'
        }

        # 代理ip
        self.all_proxies = [
            {'http': '183.166.20.179:9999'}, {'http': '125.108.124.168:9000'},
            {'http': '182.92.113.148:8118'}, {'http': '163.204.243.51:9999'},
            {'http': '175.42.158.45:9999'}]  # 需要自行去找一些免费的代理,参考我其他博客案例

        self.path = './res/'  # 本地存储目录

    # 获取HTMl
    def get_html(self, url):
        try:
            result = requests.get(url=url, headers=self.headers, proxies=random.choice(self.all_proxies))
            result.raise_for_status()  # 主动抛出一个异常
            html = BeautifulSoup(result.text, 'lxml')
            return html
        except:
            print('链接失败！')

    # 获取分页url
    def get_page_urls(self, url, html):
        try:
            Pages = list(html.find('div', class_="pages").find_all('a'))[-2].string
            for page in range(1, int(Pages) + 1):
                page_url = url+'p{}'.format(page)
                yield page_url
        except AttributeError:
            yield url

    # 获取详情页面url
    def get_detail_urls(self, page_html):
        try:
            page_html = page_html.result()
            a_tag = page_html.find('div', class_="xmp_container").find_all('a', class_="item_img")
            for a in a_tag:
                detail_urls = 'https:' + a['href']
                self.pool.submit(self.get_html, detail_urls).add_done_callback(self.Save_detail_page)
        except Exception as e:
            print(e)

    # 获取详情页内容,并保存到本地
    def Save_detail_page(self, detail_html):
        detail_html = detail_html.result()
        try:
            house_style = detail_html.find('ul', class_="tag_list xg_tag").find('a').string  # 装修风格
            house_type = detail_html.find('ul', class_="tag_list xg_tag").find_all('a')[1].string  # 户型
            atlas_name = detail_html.find('strong', id="fine_n").get_text()  # 图集名
            atlas_name = re.sub(r"[\/\\\:\*\?\"\<\>\|]", "_", atlas_name)  # 转义 Windows文件名中的非法字符方法

            file_path = self.path + house_type + '/' + house_style + '/' + atlas_name + '/'  # 拼接文件存储路径

            # 递归创建文件夹
            if not os.path.exists(file_path):
                os.makedirs(file_path)

            imgs = detail_html.find('div', class_="display-none").find_all('img')
            for index, img in enumerate(imgs):
                jpg = requests.get(img['src'], headers=self.headers, proxies=random.choice(self.all_proxies))
                with open(file_path + '%s.jpg' % (index + 1), 'wb')as f:
                    f.write(jpg.content)
                    print('{}-{}.jpg 保存成功！'.format(atlas_name, index))

            self.is_running = False  # 告诉主进程任务结束
        except Exception as e:
            if hasattr(e, 'reason'):
                print(f'抓取失败，失败原因：{e.reason}')



    # 选择户型
    def choice_house(self):
        while True:
            print(self.house_lis)
            choice = input("请选择输入序号选择户型 ：").strip()
            if choice == "1":
                return 'https://xiaoguotu.to8to.com/list-h2s7i0'
            elif choice == "2":
                return 'https://xiaoguotu.to8to.com/list-h2s2i0'
            elif choice == "3":
                return 'https://xiaoguotu.to8to.com/list-h2s3i0'
            elif choice == "4":
                return 'https://xiaoguotu.to8to.com/list-h2s4i0'
            elif choice == "5":
                return 'https://xiaoguotu.to8to.com/list-h2s5i0'
            elif choice == "6":
                return 'https://xiaoguotu.to8to.com/list-h2s6i0'
            elif choice == "7":
                return 'https://xiaoguotu.to8to.com/list-h2s8i0'
            elif choice == "8":
                print('退出成功!')
                sys.exit()
            else:
                print('输入错误，重新输入！')

    # 逻辑功能
    def func(self):
        house_classify_url = self.choice_house()
        html = self.get_html(house_classify_url)
        for url in self.get_page_urls(house_classify_url, html):
            self.pool.submit(self.get_html, url).add_done_callback(self.get_detail_urls)

        #  防止主线程结束，如果主进程结束，线程池也就关闭了
        while True:
            time.sleep(0.000001)  # 避免cpu空转，浪费资源
            if not self.is_running:
                break

        self.pool.shutdown()  # 关闭线程池，不再接收新任务，但池内已有任务会继续执行，所有任务执行完后该线程池中的所有线程都会死亡。

if __name__ == '__main__':
      # 开启线程池
    h = House_renderings()
    h.func()

五、其他

1、可以按照这个思路将所有涉及到网络请求，添加到异步线程池中，这样速度更快，但是对目标网站不友好，高频请求可能会导致被封IP，我只将部分网络请求添加到线程池中，有需要的小伙伴可以自己修改。
2、有没有想学python的小伙伴一起组队战拖延症啊，我感觉我的拖延症犯了，总是喜欢把任务拖到下午或者晚上，然后草草的解决。
3、不是广告，也不卖课程，就是单纯的想组队战拖，有愿意一起学习的小伙伴私信或者评论留言，一起加个好友相关监督学习python吧。