zoukankan      html  css  js  c++  java
  • Python爬虫之路——简单网页抓图升级版(添加多线程支持)

    转载自我的博客:http://www.mylonly.com/archives/1418.html

    经过两个晚上的奋斗。将上一篇文章介绍的爬虫略微改进了下(Python爬虫之路——简单网页抓图),主要是将获取图片链接任务和下载图片任务用线程分开来处理了,并且这次的爬虫不只能够爬第一页的图片链接的,整个http://desk.zol.com.cn/meinv/以下的图片都会被爬到,并且提供了多种分辨率图片的文件下载,详细设置方法代码凝视里面有介绍。

    这次的代码仍然有点不足,Ctrl-C无法终止程序,应该是线程无法响应主程序的终止消息导致的,(最好放在后台跑程序)还有线程的分配还能够优化的更好一点。兴许会陆续改进.

    #coding: utf-8 #############################################################
    # File Name: main.py
    # Author: mylonly
    # mail: mylonly@gmail.com
    # Created Time: Wed 11 Jun 2014 08:22:12 PM CST
    #########################################################################
    #!/usr/bin/python
    
    import re,urllib2,HTMLParser,threading,Queue,time
    
    #各图集入口链接
    htmlDoorList = []
    #包括图片的Hmtl链接
    htmlUrlList = []
    #图片Url链接Queue
    imageUrlList = Queue.Queue(0)
    #捕获图片数量
    imageGetCount = 0
    #已下载图片数量
    imageDownloadCount = 0
    #每一个图集的起始地址。用于推断终止
    nextHtmlUrl = ''
    #本地保存路径
    localSavePath = '/data/1920x1080/'
    
    #假设你想下你须要的分辨率的,请改动replace_str,有例如以下分辨率可供选择1920x1200。1980x1920,1680x1050,1600x900,1440x900,1366x768,1280x1024,1024x768,1280x800
    replace_str = '1920x1080'
    
    replaced_str = '960x600'
    
    #内页分析处理类
    class ImageHtmlParser(HTMLParser.HTMLParser):
    	def __init__(self):
    		self.nextUrl = ''
    		HTMLParser.HTMLParser.__init__(self)
    	def handle_starttag(self,tag,attrs):
    		global imageUrlList
    		if(tag == 'img' and len(attrs) > 2 ):
    			if(attrs[0] == ('id','bigImg')):
    				url = attrs[1][1]
    				url = url.replace(replaced_str,replace_str)
    				imageUrlList.put(url)
    				global imageGetCount
    				imageGetCount = imageGetCount + 1
    				print url
    		elif(tag == 'a' and len(attrs) == 4):
    			if(attrs[0] == ('id','pageNext') and attrs[1] == ('class','next')):
    				global nextHtmlUrl	
    				nextHtmlUrl = attrs[2][1];
    
    #首页分析类
    class IndexHtmlParser(HTMLParser.HTMLParser):
    	def __init__(self):
    		self.urlList = []
    		self.index = 0
    		self.nextUrl = ''
    		self.tagList = ['li','a']
    		self.classList = ['photo-list-padding','pic']
    		HTMLParser.HTMLParser.__init__(self)
    	def handle_starttag(self,tag,attrs):
    		if(tag == self.tagList[self.index]):
    			for attr in attrs:
    				if (attr[1] == self.classList[self.index]):
    					if(self.index == 0):
    						#第一层找到了
    						self.index = 1
    					else:
    						#第二层找到了
    						self.index = 0
    						print attrs[1][1]
    						self.urlList.append(attrs[1][1])
    						break
    		elif(tag == 'a'):
    			for attr in attrs:
    				if (attr[0] == 'id' and attr[1] == 'pageNext'):
    					self.nextUrl = attrs[1][1]
    					print 'nextUrl:',self.nextUrl
    					break
    
    #首页Hmtl解析器
    indexParser = IndexHtmlParser()
    #内页Html解析器
    imageParser = ImageHtmlParser()
    
    #依据首页得到全部入口链接
    print '開始扫描首页...'
    host = 'http://desk.zol.com.cn'
    indexUrl = '/meinv/'
    while (indexUrl != ''):
    	print '正在抓取网页:',host+indexUrl
    	request = urllib2.Request(host+indexUrl)
    	try:
    		m = urllib2.urlopen(request)
    		con = m.read()
    		indexParser.feed(con)
    		if (indexUrl == indexParser.nextUrl):
    			break
    		else:
    			indexUrl = indexParser.nextUrl
    	except urllib2.URLError,e:
    		print e.reason
    
    print '首页扫描完毕,全部图集链接已获得:'
    htmlDoorList = indexParser.urlList
    
    #依据入口链接得到全部图片的url
    class getImageUrl(threading.Thread):
    	def __init__(self):
    		threading.Thread.__init__(self)
    	def run(self):
    		for door in htmlDoorList:
    			print '開始获取图片地址,入口地址为:',door
    			global nextHtmlUrl
    			nextHtmlUrl = ''
    			while(door != ''):
    				print '開始从网页%s获取图片...'% (host+door)
    				if(nextHtmlUrl != ''):
    					request = urllib2.Request(host+nextHtmlUrl)
    				else:
    					request = urllib2.Request(host+door)
    				try:
    					m = urllib2.urlopen(request)
    					con = m.read()
    					imageParser.feed(con)
    					print '下一个页面地址为:',nextHtmlUrl
    					if(door == nextHtmlUrl):
    						break
    				except urllib2.URLError,e:
    					print e.reason
    		print '全部图片地址均已获得:',imageUrlList
    
    class getImage(threading.Thread):
    	def __init__(self):
    		threading.Thread.__init__(self)
    	def run(self):
    		global imageUrlList
    		print '開始下载图片...'
    		while(True):
    			print '眼下捕获图片数量:',imageGetCount
    			print '已下载图片数量:',imageDownloadCount
    			image = imageUrlList.get()
    			print '下载文件路径:',image
    			try:
    				cont = urllib2.urlopen(image).read()
    				patter = '[0-9]*.jpg';
    				match = re.search(patter,image);
    				if match:
    					print '正在下载文件:',match.group()
    					filename = localSavePath+match.group()
    					f = open(filename,'wb')
    					f.write(cont)
    					f.close()
    					global imageDownloadCount
    					imageDownloadCount = imageDownloadCount + 1
    				else:
    					print 'no match'
    				if(imageUrlList.empty()):
    					break
    			except urllib2.URLError,e:
    				print e.reason
    		print '文件全部下载完毕...'
    
    get = getImageUrl()
    get.start()
    print '获取图片链接线程启动:'
    
    time.sleep(2)
    
    download = getImage()
    download.start()
    print '下载图片链接线程启动:'


  • 相关阅读:
    RAID磁盘阵列介绍
    Nginx如何使用Nginx实现MySQL数据库的负载均衡
    挽救数据库性能的30条黄金法则
    mysql主从复制 (指定复制的数库或者表)
    Nginx系列之负载均衡策略
    Redis安装部署(一主二从三哨兵)
    让你的 Linux 命令骚起来
    MySQL/数据库 知识点总结
    Docker私有仓库搭建与界面化管理
    mysql sql语句修改字段名称,字段长度
  • 原文地址:https://www.cnblogs.com/cynchanpin/p/6823277.html
Copyright © 2011-2022 走看看