Python多线程爬虫，主播信息资料爬取采集

二爷

发布于 2020-07-22 14:38:16

7670

发布于 2020-07-22 14:38:16

文章被收录于专栏：二爷记二爷记

头榜，一个集合主播信息及资讯的网站，内容比较齐全，现今直播火热，想要找寻各种播主信息，这类网站可以搜集到相关热门主播信息。

目标网址：

http://www.toubang.tv/baike/list/20.html

列表页，而且暂时没有发现列表页规律，加密了？

http://www.toubang.tv/baike/list/20.html?p=hJvm3qMpTkj7J/RNmtAVNw==

http://www.toubang.tv/baike/list/20.html?p=rjaUfcMsOOYXKBBBp5YUUA==

很明显，p后面所带的参数就是页码，但是搞不明白是如何实现的一串字符串，目测没有明显的页码规律。

没有过多的研究，霸王硬上弓，硬搞吧！

直接把所有列表页上遍历一遍，获取到页码链接，这里我简单的使用了递归函数

获得所有列表页的集合，至于去重，这里直接使用了set()，直接将集合转化为set

递归代码

def get_apgeurls(apgeurls):
    page_urls=[]
    for apgeurl in apgeurls:
        page_url=get_pageurl(apgeurl)
        page_urls.extend(page_url)


    page_urls=set(page_urls)
    #print(len(page_urls))


    if len(page_urls) < 66:
        return get_apgeurls(page_urls) #链轮
    else:
        return page_url

好在分页数不多，算是一个比较笨的实现方法，注意return的使用，递归函数调用函数本身，return会返回None，这里通过百度查询相关资料获取到解决方案。

其他的一些获取内容，都是正常操作，这里就不再阐述了！

提一下多线程吧！

def get_urllists(urls):
    threads = []
    for url in urls:
        t=threading.Thread(target=get_urllist,args=(url,))
        threads.append(t)
    for i in threads:
        i.start()
    for i in threads:
        i.join()


    print('>>> 获取采集链接完毕！')

这里需要注意一个参数的调用的时候，args=(url,)，同时多线程的使用，采集报错是一个很头疼的问题，基本都是服务器反应不过来，难道还是得采用Scrapy框架，大范围抓取。

运行效果：

采集效果：

附源码参考：

#www.toubang.tv/
#20200606 by WX:huguo00289

# -*- coding: utf-8 -*-
from fake_useragent import UserAgent
import requests,time,os
from lxml import etree
import threading  #多线程


def ua():
    ua=UserAgent()
    headers={'User-Agent':ua.random}
    return headers

def get_pageurl(url):
    pageurl=[]
    html=requests.get(url,headers=ua()).content.decode('utf-8')
    time.sleep(1)
    req=etree.HTML(html)
    pagelists=req.xpath('//div[@class="row-page tc"]/a/@href')
    for pagelist in pagelists:
        if "baike" in pagelist:
            pagelist=f"http://www.toubang.tv{pagelist}"
            pageurl.append(pagelist)

    #print(len(pageurl))
    return pageurl


def get_apgeurls(apgeurls):
    page_urls=[]
    for apgeurl in apgeurls:
        page_url=get_pageurl(apgeurl)
        page_urls.extend(page_url)

    page_urls=set(page_urls)
    #print(len(page_urls))

    if len(page_urls) < 5:
    #if len(page_urls) < 65:
        return get_apgeurls(page_urls) #链轮
    else:
        return page_urls


def get_urllist(url):
    html = requests.get(url, headers=ua()).content.decode('utf-8')
    time.sleep(1)
    req = etree.HTML(html)
    hrefs=req.xpath('//div[@class="h5 ellipsis"]/a/@href')
    print(hrefs)
    for href in hrefs:
        href=f'http://www.toubang.tv{href}'
        get_info(href)




def get_urllists(urls):
    threads = []
    for url in urls:
        t=threading.Thread(target=get_urllist,args=(url,))
        threads.append(t)
    for i in threads:
        i.start()
    for i in threads:
        i.join()

    print('>>> 获取采集链接完毕！')


def get_info(url):
    html = requests.get(url, headers=ua()).content.decode('utf-8')
    time.sleep(1)
    req = etree.HTML(html)
    name=req.xpath('//div[@class="h3 ellipsis"]/span[@class="title"]/text()')[0]
    os.makedirs(f'{name}/', exist_ok=True)  # 创建目录
    briefs=req.xpath('//dl[@class="game-tag clearfix"]/dd/span//text()')
    brief_img=req.xpath('//div[@class="i-img fl mr20"]/img/@src')[0].split('=')[1]
    print(name)
    print(briefs)
    print(brief_img)
    down_img(brief_img, name)
    informations=req.xpath('//table[@class="table-fixed table-hover hot-search-play"]/tbody/tr[@class="baike-bar"]/td//text()')
    for information in informations:
        if '\r' and '\n' and '\t' not in information:
            print(information)

    text=req.xpath('//div[@class="text-d"]/p//text()')
    print(text)
    text_imgs=req.xpath('//div[@id="wrapBox1"]/ul[@id="count1"]/li/a[@class="img_wrap"]/@href')
    print(text_imgs)
    threads=[]
    for text_img in text_imgs:
        t=threading.Thread(target=down_img,args=(text_img,name))
        threads.append(t)

    for i in threads:
        i.start()
    for i in threads:
        i.join()

    print("图片下载完成！")



def down_img(img_url,name):
    img_name=img_url.split('/')[-1]
    r=requests.get(img_url,headers=ua(),timeout=8)
    time.sleep(2)
    with open(f'{name}/{img_name}','wb') as f:
        f.write(r.content)
    print(f'>>>保存{img_name}图片成功！')



def main():
    url = "http://www.toubang.tv/baike/list/20.html?p=hJvm3qMpTkjm8Rev+NDBTw=="
    apgeurls = [url]
    page_urls = get_apgeurls(apgeurls)
    print(page_urls)
    get_urllists(page_urls)



if __name__=='__main__':
    main()

微信公众号：二爷记

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2020-06-13，如有侵权请联系 cloudcommunity@tencent.com 删除

http