一、网页分析
这次我们选择爬取的网站是水木社区的Python页面
网页：https://www.mysmth.net/nForum/#!board/Python?p=1
根据惯例，我们第一步还是分析一下页面结构和翻页时的请求。
通过前三页的链接分析后得知，每一页链接中最后的参数是页数，我们修改它即可得到其他页面的数据。
再来分析一下，我们需要获取帖子的链接就在id 为 body 的 section下，然后一层一层找到里面的 table，我们就能遍历这些链接的标题。
我们点开一篇帖子：https://www.mysmth.net/nForum/#!article/Python/162717
和前面一样，我们先分析标题和内容在网页中的结构
不难发现，主题部分只要找到 id 为 main 的 section 下面的 class 为 b-head corner 的下面第二个 span即可
主题部分
而内容部分只要找到class 为 a-wrap corner 的 div，找到下面的 a-content即可。
内容部分
分析网页结构后，我们就可以开始写代码了！
二、代码实现
首先要确定要保存什么内容：这次我们保存水木社区 Python 版面前 10 页的所有帖子标题和帖子第一页的所有回复。
解析列表页，得到所有的帖子链接
from bs4 import BeautifulSoup
# 解析列表页内容，得到这一页的内容链接
def parse_list_page(text):
soup = BeautifulSoup(text, 'html.parser')
# 下面相当于 soup.find('table', class_='board-list tiz').find('tbody')
tbody = soup.find('table', class_='board-list tiz').tbody
urls = []
for tr in tbody:
td = tr.find('td', class_='title_9')
urls.append(td.a.attrs['href'])
return urls
解析内容页，得到标题和这一页的所有帖子内容
# 解析内容页，得到标题和所有帖子内容
def parse_content_page(text):
soup = BeautifulSoup(text, 'html.parser')
title = soup.find('span', class_='n-left').text.strip('文章主题:').strip()
content_div = soup.find('div', class_='b-content corner')
contents = []
for awrap in content_div.find_all('div', class_='a-wrap corner'):
content = awrap.p.text
contents.append(content)
return title, contents
把列表页的链接转换成我们要抓取的链接
def convert_content_url(path): URL_PREFIX = 'http://www.mysmth.net' path += '?ajax' return URL_PREFIX + path
生成前 10 页的列表页链接
list_urls = [] for i in range(1, 11): url = 'http://www.mysmth.net/nForum/board/Python?ajax&p=' url += str(i) list_urls.append(url)
下面是得到前 10 页列表页里所有正文的链接。这个时候我们使用线程池的方式来运行
import requests
from concurrent import futures
session = requests.Session()
executor = futures.ThreadPoolExecutor(max_workers=5)
# 这个函数获取列表页数据，解析出链接，并转换成真实链接
def get_content_urls(list_url):
res = session.get(list_url)
content_urls = parse_list_page(res.text)
real_content_urls = []
for url in content_urls:
url = convert_content_url(url)
real_content_urls.append(url)
return real_content_urls
# 根据刚刚生成的十个列表页链接，开始提交任务
fs = []
for list_url in list_urls:
fs.append(executor.submit(get_content_urls, list_url))
futures.wait(fs)
content_urls = set()
for f in fs:
for url in f.result():
content_urls.add(url)
在这里要注意一下，第 23 行中我们使用了 set() 函数，作用是去除重复值。它的原理是创建一个 Set（集合），集合 是 Python 中的一种特殊数据类型，其中可以包含多个元素，但是不能重复。我们来看看 set() 的用法
numbers = [1, 1, 2, 2, 2, 3, 4] unique = set(numbers) print(type(unique)) # 输出：print(unique) # 输出：{1, 2, 3, 4}
我们看到，set() 将列表 numbers 转换成了没有重复元素的集合 {1, 2, 3, 4}。
我们利用这个特性，首先在 23 行通过 content_urls = set() 创建了一个空集合，之后在其中添加链接时，就会自动去除多次出现的链接。
得到了所有正文链接之后，我们解析正文页内容，放到一个字典里
# 获取正文页内容，解析出标题和帖子
def get_content(url):
r = session.get(url)
title, contents = parse_content_page(r.text)
return title, contents
# 提交解析正文的任务
fs = []
for url in content_urls:
fs.append(executor.submit(get_content, url))
futures.wait(fs)
results = {}
for f in fs:
title, contents = f.result()
results[title] = contents
print(results.keys())
就这样，我们完成了多线程的水木社区爬虫。打印 results.keys() 可以看到所有帖子的标题。
这次爬取了前十页的所有主题，以及他们的第一页回复。一共 10 个列表页、300 个主题页，解析出 1533 条回复。在一台网络良好、性能普通的机器上测试执行只花费了 13 秒左右。
完整代码如下
import requests
from concurrent import futures
from bs4 import BeautifulSoup
# 解析列表页内容，得到这一页的内容链接
def parse_list_page(text):
soup = BeautifulSoup(text, 'html.parser')
tbody = soup.find('table', class_='board-list tiz').tbody
urls = []
for tr in tbody:
td = tr.find('td', class_='title_9')
urls.append(td.a.attrs['href'])
return urls
# 解析内容页，得到标题和所有帖子内容
def parse_content_page(text):
soup = BeautifulSoup(text, 'html.parser')
title = soup.find('span', class_='n-left').text.strip('文章主题:').strip()
content_div = soup.find('div', class_='b-content corner')
contents = []
for awrap in content_div.find_all('div', class_='a-wrap corner'):
content = awrap.p.text
contents.append(content)
return title, contents
# 把列表页得到的链接转换成我们要抓取的链接
def convert_content_url(path):
URL_PREFIX = 'http://www.mysmth.net'
path += '?ajax'
return URL_PREFIX + path
# 生成前十页的链接
list_urls = []
for i in range(1, 11):
url = 'http://www.mysmth.net/nForum/board/Python?ajax&p='
url += str(i)
list_urls.append(url)
session = requests.Session()
executor = futures.ThreadPoolExecutor(max_workers=5)
# 这个函数获取列表页数据，解析出链接，并转换成真实链接
def get_content_urls(list_url):
res = session.get(list_url)
content_urls = parse_list_page(res.text)
real_content_urls = []
for url in content_urls:
url = convert_content_url(url)
real_content_urls.append(url)
return real_content_urls
# 根据刚刚生成的十个列表页链接，开始提交任务
fs = []
for list_url in list_urls:
fs.append(executor.submit(get_content_urls, list_url))
futures.wait(fs)
content_urls = set()
for f in fs:
for url in f.result():
content_urls.add(url)
# 获取正文页内容，解析出标题和帖子
def get_content(url):
r = session.get(url)
title, contents = parse_content_page(r.text)
return title, contents
# 提交解析正文的任务
fs = []
for url in content_urls:
fs.append(executor.submit(get_content, url))
futures.wait(fs)
results = {}
for f in fs:
title, contents = f.result()
results[title] = contents
print(results.keys())
本次分享到此结束，谢谢大家阅读！！
有问题欢迎评论区留言！！
更多关于Python多线程爬取网页实战的资料请关注脚本之家其它相关文章！