斗図表情包爬虫類(マルチスレッドベース)

13624 ワード

今日はマルチスレッドの爬虫類について書きますが、今回は闘図サイトの表情パックを取りました.
一.考え方:
1.ウェブサイトのページをめくるリンクに対して分析を行って、リンクを発見します:“http://www.doutula.com/article/list/?page=3」というように、数字「3」を変更するだけでアクセスしたいページインタフェースにアクセスできます.
2.フェイスパックフォルダを保存するフォルダを作成します.
3.分析によって各表情パケットのリンクを取得し、それを1つの関数にカプセル化し、関数は最終的に1つのWebページのすべての表情パケットのリンクを含むリストを返します.
4.単一の表情パケットリンクにアクセスし、各ピクチャのリンクを取得し、ピクチャをダウンロードし、ウェブページtitleというフォルダに保存し、このコードを1つの関数にカプセル化する.
5.3と4で作成した関数をカプセル化する関数を作成します.
6.threading.Threadを継承するサブクラスを作成します.
7.スレッドのリストを作成し、スレッドを作成し、スレッドをアクティブにします.
二.コード:
 1 #!/ur/bin/nv python3
 2 #*- coding: utf-8 -*-
 3 
 4 #    
 5 import requests
 6 import os
 7 import threading
 8 from bs4 import BeautifulSoup
 9 import time
10 
11 #    ,             ,             。
12 #     
13 class New_thread(threading.Thread):
14     def __init__(self,han_name,han_can):
15         super().__init__()
16         self.han_name = han_name
17         self.han_can = han_can
18     def run(self):
19         self.han_name(*self.han_can)
20 #            
21 def dan_url_list(url,num):
22     headers = {'user-agent':'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36'}
23     url_2 = url + str(num)
24     html = requests.get(url_2,headers=headers,timeout=30)
25     html.encoding = html.apparent_encoding
26     soup = BeautifulSoup(html.text,'html.parser')
27     url_lists = []
28     a= soup.find_all(name='a',attrs={'class':'list-group-item random_list'})
29     for x in a:
30         url_lists.append(x['href'])
31     return url_lists
32 
33 #       ,       url           。
34 def img_url(url):
35     headers = {
36         'user-agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36'}
37     html = requests.get(url,headers=headers,timeout=30)
38     html.encoding = html.apparent_encoding
39     soup = BeautifulSoup(html.text,'html.parser')
40     title = soup.find('title').text.split(' - ')[0]
41     print(title)
42     try:
43         os.mkdir('/home/admin/  /  /%s' % title)
44     except:
45         pass
46     list_1 = []
47     s = soup.find_all(name='div',attrs={'class':"artile_des"})
48     for x in s:
49         try:
50             b = x.find('img')['src']
51             list_1.append(b)
52         except:
53             pass
54     for x in range(len(list_1)):
55         c = requests.get(list_1[x]).content
56         with open('/home/admin/  /  /%s/%s.jpg' % (title,x),'wb') as www:
57             www.write(c)
58 
59 #      ,             img_url      ,            。
60 def down_all(url,num):
61     for x in dan_url_list(url,num):
62         img_url(x)
63 #
64 def main(page_num):
65     print('...........Start:%s...............' % time.ctime())
66     thr_list = []
67     url = 'http://www.doutula.com/article/list/?page='
68     for x in range(1,page_num+1):
69         t = New_thread(down_all,(url,x))
70         thr_list.append(t)
71     #    
72     for x in thr_list:
73         x.start()
74     for x in thr_list:
75         x.join()
76     print('.........All Done: %s..............' % time.ctime())
77 
78 if __name__ == '__main__':
79     a = input('')
80     main(int(a))
81 
82     

 
 
読んでくれてありがとう.
転載先:https://www.cnblogs.com/sniper-huohuohuo/p/8872439.html