Add new file

无法过审的文章备份/Python爬虫入门教程 10-100 图虫网多线程爬取.md

+## 1.图虫网多线程爬取-写在前面
+经历了一顿噼里啪啦的操作之后，终于我把博客写到了第10篇，后面，慢慢的会涉及到更多的爬虫模块，有人问`scrapy` 啥时候开始用，这个我预计要在30篇以后了吧，后面的套路依旧慢节奏的，所以莫着急了，100篇呢，预计4~5个月写完，常见的反反爬后面也会写的，还有fuck login类的内容。
+
+<div align="center">
+<img  src="https://ws2.sinaimg.cn/large/9150e4e5ly1fw3xidss1bj204v04vwee.jpg" width=20%  />
+</div>
+
+## 2.图虫网多线程爬取-爬取图虫网
+为什么要爬取这个网站，不知道哎~ 莫名奇妙的收到了，感觉图片质量不错，不是那些`妖艳贱货` 可以比的，所以就开始爬了，搜了一下网上有人也在爬，但是基本都是py2，py3的还没有人写，所以顺手写一篇吧。
+
+## 3.图虫网多线程爬取-起始页面
+https://tuchong.com/explore/  
+这个页面中有很多的标签，每个标签下面都有很多图片，为了和谐，我选择了一个非常好的标签`花卉` 你可以选择其他的，甚至，你可以把所有的都爬取下来。
+```
+https://tuchong.com/tags/%E8%8A%B1%E5%8D%89/  # 花卉编码成了  %E8%8A%B1%E5%8D%89  这个无所谓
+```
+我们这次也玩点以前没写过的，使用python中的queue，也就是队列
+
+下面是我从别人那顺来的一些解释，基本爬虫初期也就用到这么多
+
+	1. 初始化： class Queue.Queue(maxsize) FIFO 先进先出
+	
+	2. 包中的常用方法:
+	
+	    - queue.qsize() 返回队列的大小
+	    - queue.empty() 如果队列为空，返回True,反之False
+	    - queue.full() 如果队列满了，返回True,反之False
+	    - queue.full 与 maxsize 大小对应
+	    - queue.get([block[, timeout]])获取队列，timeout等待时间
+	
+	3. 创建一个“队列”对象
+	    import queue
+	    myqueue = queue.Queue(maxsize = 10)
+	
+	4. 将一个值放入队列中
+	    myqueue.put(10)
+	
+	5. 将一个值从队列中取出
+	    myqueue.get()
+
+## 4.图虫网多线程爬取-开始编码
+
+首先我们先实现主要方法的框架，我依旧是把一些核心的点，都写在注释上面
+
+```py
+def main():
+    # 声明一个队列，使用循环在里面存入100个页码
+    page_queue  = Queue(100)
+    for i in range(1,101):
+        page_queue.put(i)
+
+
+    # 采集结果(等待下载的图片地址)
+    data_queue = Queue()
+
+    # 记录线程的列表
+    thread_crawl = []
+    # 每次开启4个线程
+    craw_list = ['采集线程1号','采集线程2号','采集线程3号','采集线程4号']
+    for thread_name in craw_list:
+        c_thread = ThreadCrawl(thread_name, page_queue, data_queue)
+        c_thread.start()
+        thread_crawl.append(c_thread)
+
+    # 等待page_queue队列为空，也就是等待之前的操作执行完毕
+    while not page_queue.empty():
+        pass
+
+if __name__ == '__main__':
+    main()
+
+```
+代码运行之后，成功启动了4个线程，然后等待线程结束，这个地方注意，你需要把 `ThreadCrawl` 类补充完整
+
+```py
+class ThreadCrawl(threading.Thread):
+
+    def __init__(self, thread_name, page_queue, data_queue):
+        # threading.Thread.__init__(self)
+        # 调用父类初始化方法
+        super(ThreadCrawl, self).__init__()
+        self.threadName = thread_name
+        self.page_queue = page_queue
+        self.data_queue = data_queue
+
+    def run(self):
+        print(self.threadName + ' 启动************')
+
+```
+运行结果
+![在这里插入图片描述](https://img-blog.csdn.net/20181011183951550?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hpaGVsbA==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)
+
+线程已经开启，在run方法中，补充爬取数据的代码就好了,这个地方引入一个全局变量，用来标识爬取状态
+`CRAWL_EXIT = False`  
+
+先在`main`方法中加入如下代码
+```py
+CRAWL_EXIT = False  # 这个变量声明在这个位置
+class ThreadCrawl(threading.Thread):
+
+    def __init__(self, thread_name, page_queue, data_queue):
+        # threading.Thread.__init__(self)
+        # 调用父类初始化方法
+        super(ThreadCrawl, self).__init__()
+        self.threadName = thread_name
+        self.page_queue = page_queue
+        self.data_queue = data_queue
+
+    def run(self):
+        print(self.threadName + ' 启动************')
+        while not CRAWL_EXIT:
+            try:
+                global tag, url, headers,img_format  # 把全局的值拿过来
+                # 队列为空 产生异常
+                page = self.page_queue.get(block=False)   # 从里面获取值
+                spider_url = url_format.format(tag,page,100)   # 拼接要爬取的URL
+                print(spider_url)
+            except:
+                break
+
+            timeout = 4   # 合格地方是尝试获取3次，3次都失败，就跳出
+            while timeout > 0:
+                timeout -= 1
+                try:
+                    with requests.Session() as s:
+                        response = s.get(spider_url, headers=headers, timeout=3)
+                        json_data = response.json()
+                        if json_data is not None:
+                            imgs = json_data["postList"]
+                            for i in imgs:
+                                imgs = i["images"]
+                                for img in imgs:
+                                    img = img_format.format(img["user_id"],img["img_id"])
+                                    self.data_queue.put(img)  # 捕获到图片链接，之后，存入一个新的队列里面，等待下一步的操作
+
+                    break
+
+                except Exception as e:
+                    print(e)
+
+
+            if timeout <= 0:
+                print('time out!')
+def main():
+	# 代码在上面
+
+    # 等待page_queue队列为空，也就是等待之前的操作执行完毕
+    while not page_queue.empty():
+        pass
+
+    # 如果page_queue为空，采集线程退出循环
+    global CRAWL_EXIT
+    CRAWL_EXIT = True
+	
+	# 测试一下队列里面是否有值
+	print(data_queue)
+```
+经过测试，data_queue 里面有数据啦！！，哈哈，下面在使用相同的操作，去下载图片就好喽 
+![在这里插入图片描述](https://img-blog.csdn.net/20181011185824419?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hpaGVsbA==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)
+完善`main`方法
+```py
+def main():
+    # 代码在上面
+
+    for thread in thread_crawl:
+        thread.join()
+        print("抓取线程结束")
+
+    thread_image = []
+    image_list = ['下载线程1号', '下载线程2号', '下载线程3号', '下载线程4号']
+    for thread_name in image_list:
+        Ithread = ThreadDown(thread_name, data_queue)
+        Ithread.start()
+        thread_image.append(Ithread)
+
+
+
+    while not data_queue.empty():
+        pass
+
+    global DOWN_EXIT
+    DOWN_EXIT = True
+
+    for thread in thread_image:
+        thread.join()
+        print("下载线程结束")
+```
+
+还是补充一个 `ThreadDown` 类，这个类就是用来下载图片的。
+```py
+
+class ThreadDown(threading.Thread):
+    def __init__(self, thread_name, data_queue):
+        super(ThreadDown, self).__init__()
+        self.thread_name = thread_name
+        self.data_queue = data_queue
+
+    def run(self):
+        print(self.thread_name + ' 启动************')
+        while not DOWN_EXIT:
+            try:
+                img_link = self.data_queue.get(block=False)
+                self.write_image(img_link)
+            except Exception as e:
+                pass
+
+    def write_image(self, url):
+
+        with requests.Session() as s:
+            response = s.get(url, timeout=3)
+            img = response.content   # 获取二进制流
+
+        try:
+            file = open('image/' + str(time.time())+'.jpg', 'wb')
+            file.write(img)
+            file.close()
+            print('image/' + str(time.time())+'.jpg 图片下载完毕')
+
+        except Exception as e:
+            print(e)
+            return
+
+
+```
+
+运行之后,等待图片下载就可以啦~~
+
+![在这里插入图片描述](https://img-blog.csdn.net/20181011190336285?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hpaGVsbA==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)
+关键注释已经添加到代码里面了,收图吧 (◕ᴗ◕✿)，这次代码回头在上传到`github`上 因为比较简单
+![在这里插入图片描述](https://img-blog.csdn.net/2018101119043943?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hpaGVsbA==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)
+当你把上面的花卉修改成比如`xx`啥的~，就是`天外飞仙`了
+<div align="center">
+<img  src="https://img-blog.csdn.net/20181011190609577?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hpaGVsbA==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70" width=20% />
+</div>
+
+
+