Python多进程批量爬取小说代码分享

本篇内容介绍了"Python多进程批量爬取小说代码分享"的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

使用python多进程跑同样的代码。

python中的多线程其实并不是真正的多线程，如果想要充分地使用多核CPU的资源，在python中大部分情况需要使用多进程。Python提供了非常好用的多进程包multiprocessing，只需要定义一个函数，Python会完成其他所有事情。借助这个包，可以轻松完成从单进程到并发执行的转换。multiprocessing支持子进程、通信和共享数据、执行不同形式的同步，提供了Process、Queue、Pipe、Lock等组件。

1. Process

创建进程的类：Process([group [, target [, name [, args [, kwargs]]]]])，target表示调用对象，args表示调用对象的位置参数元组。kwargs表示调用对象的字典。name为别名。group实质上不使用。
方法：is_alive() 、join([timeout])、run()、start()、terminate()。其中，Process以start()启动某个进程。

is_alive()：判断该进程是否还活着

join([timeout])：主进程阻塞，等待子进程的退出， join方法要在close或terminate之后使用。

run():进程p调用start()时，自动调用run()

属性：authkey、daemon（要通过start()设置）、exitcode(进程在运行时为None、如果为-N，表示被信号N结束）、name、pid。其中daemon是父进程终止后自动终止，且自己不能产生新进程，必须在start()之前设置。

下面的demo。爬取笔趣阁小说网，只是爬了4本小说，同时启动四个线程。启动的方式有点low.为了统计时间，所以就那么写， 有什么更好的方法可以留言，欢迎指导。

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2019/1/3 17:15
# @Author  : jia.zhao
# @Desc    :
# @File    : process_spider.py
# @Software: PyCharm
from multiprocessing import Process, Lock, Queue
import time

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import requests
from lxml import etree


exitFlag = 0
q = Queue()
chrome_options = Options()
chrome_options.add_argument('--headless')

class scrapy_biquge():
    def get_url(self):
        browser = webdriver.Chrome(chrome_options=chrome_options)
        browser.get('http://www.xbiquge.la/xuanhuanxiaoshuo/')
        # 获取小说
        content = browser.find_element_by_class_name("r")
        content = content.find_elements_by_xpath('//ul/li/span[@class="s2"]/a')
        for i in range(len(content)):
            # 小说名字
            title = content[i].text
            # 小说的url
            href = content[i].get_attribute('href')
            print(title + '+' + href)
            # 装进队列
            q.put(title + '+' + href)
            if i == 3:
                break
        browser.close()
        browser.quit()


def get_dir(title, href):

    time.sleep(2)
    res = requests.get(href, timeout=60)
    res.encoding = 'utf8'
    novel_contents = etree.HTML(res.text)
    novel_dir = novel_contents.xpath('//div[@id="list"]/dl/dd/a//text()')
    novel_dir_href = novel_contents.xpath('//div[@id="list"]/dl/dd/a/@href')
    path = 'novel/' + title + '.txt'
    list_content = []
    i = 0
    for novel in range(len(novel_dir)):
        novel_dir_content = get_content('http://www.xbiquge.la'+novel_dir_href[novel])
        print(title, novel_dir[novel])
        list_content.append(novel_dir[novel] + '\n' + ''.join(novel_dir_content) + '\n')
        i = i + 1
        if i == 2:
            try:
                with open(path, 'a', encoding='utf8') as f:
                    f.write('\n'.join(list_content))
                    f.close()
                list_content = []
                i = 0
            except Exception as e:
                print(e)


def get_content(novel_dir_href):
    time.sleep(2)
    res = requests.get(novel_dir_href, timeout=60)
    res.encoding = 'utf8'
    html_contents = etree.HTML(res.text)
    novel_dir_content = html_contents.xpath('//div[@id="content"]//text()')
    return novel_dir_content


class MyProcess(Process):
    def __init__(self, q, lock):
        Process.__init__(self)
        self.q = q
        self.lock = lock

    def run(self):
        print(self.q.qsize(), '队列大小')
        print('Pid: ' + str(self.pid) + ' LoopCount: ')
        self.lock.acquire()

        while not self.q.empty():

            item = self.q.get()
            print(item)
            self.lock.release()
            title = item.split('+')[0]
            href = item.split('+')[1]
            try:
                get_dir(title, href)
            except Exception as e:
                print(e, '出现异常跳过循环')
                continue
if __name__ == '__main__':
    start_time = time.time()
    print(start_time)
    scrapy_biquge().get_url()
    lock = Lock()

    p0 = MyProcess(q, lock)
    p0.start()
    p1 = MyProcess(q, lock)
    p1.start()
    p2 = MyProcess(q, lock)
    p2.start()
    p3 = MyProcess(q, lock)
    p3.start()
    p0.join()
    p1.join()
    p2.join()
    p3.join()

    end_time = time.time()
    print(start_time, end_time, end_time - start_time, '时间差')

使用多进程中的队列处理，实现进程间数据共享。代码应该可以直接运行
，有问题可以留言

"Python多进程批量爬取小说代码分享"的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注网站，小编将为大家输出更多高质量的实用文章！