python面向对象多线程爬虫爬取搜狐页面的实例代码

首先我们需要几个包：requests, lxml, bs4, pymongo, redis

1. 创建爬虫对象，具有的几个行为：抓取页面，解析页面，抽取页面，储存页面

class Spider(object):
def __init__(self):
 # 状态(是否工作)
 self.status = SpiderStatus.IDLE
# 抓取页面
def fetch(self, current_url):
 pass
# 解析页面
def parse(self, html_page):
 pass
# 抽取页面
def extract(self, html_page):
 pass
# 储存页面
def store(self, data_dict):
 pass

2. 设置爬虫属性，没有在爬取和在爬取中，我们用一个类封装， @unique使里面元素独一无二，Enum和unique需要从 enum里面导入：

@unique
class SpiderStatus(Enum):
IDLE = 0
WORKING = 1

3. 重写多线程的类：

class SpiderThread(Thread):
def __init__(self, spider, tasks):
 super().__init__(daemon=True)
 self.spider = spider
 self.tasks = tasks
def run(self):
 while True:
  pass

4. 现在爬虫的基本结构已经做完了，在main函数创建tasks， Queue需要从queue里面导入：

def main():
# list没有锁，所以使用Queue比较安全, task_queue=[]也可以使用,Queue 是先进先出结构, 即 FIFO
task_queue = Queue()
# 往队列放种子url, 即搜狐手机端的url
task_queue.put('http://m.sohu,com/')
# 指定起多少个线程
spider_threads = [SpiderThread(Spider(), task_queue) for _ in range(10)]
for spider_thread in spider_threads:
 spider_thread.start()
# 控制主线程不能停下,如果队列里有东西，任务不能停, 或者spider处于工作状态，也不能停
while task_queue.empty() or is_any_alive(spider_threads):
 pass
print('Over')

4-1. 而 is_any_threads则是判断线程里是否有spider还活着，所以我们再写一个函数来封装一下:

def is_any_alive(spider_threads):
return any([spider_thread.spider.status == SpiderStatus.WORKING
   for spider_thread in spider_threads])

5. 所有的结构已经全部写完，接下来就是可以填补爬虫部分的代码，在SpiderThread(Thread)里面，开始写爬虫运行 run 的方法，即线程起来后，要做的事情：

def run(self):
 while True:
  # 获取url
  current_url = self.tasks_queue.get()
  visited_urls.add(current_url)
  # 把爬虫的status改成working
  self.spider.status = SpiderStatus.WORKING
  # 获取页面
  html_page = self.spider.fetch(current_url)
  # 判断页面是否为空
  if html_page not in [None, '']:
   # 去解析这个页面, 拿到列表
   url_links = self.spider.parse(html_page)
   # 把解析完的结构加到 self.tasks_queue里面来
   # 没有一次性添加到队列的方法 用循环添加算求了
   for url_link in url_links:
    self.tasks_queue.put(url_link)
  # 完成任务，状态变回IDLE
  self.spider.status = SpiderStatus.IDLE

6.  现在可以开始写 Spider()这个类里面的四个方法，首先写fetch()抓取页面里面的：  

@Retry()
def fetch(self, current_url, *, charsets=('utf-8', ), user_agent=None, proxies=None):
 thread_name = current_thread().name
 print(f'[{thread_name}]: {current_url}')
 headers = {'user-agent': user_agent} if user_agent else {}
 resp = requests.get(current_url,
      headers=headers, proxies=proxies)
 # 判断状态码，只要200的页面
 return decode_page(resp.content, charsets) \
  if resp.status_code == 200 else None

6-1. decode_page是我们在类的外面封装一个解码的函数：

def decode_page(page_bytes, charsets=('utf-8',)):
page_html = None
for charset in charsets:
 try:
  page_html = page_bytes.decode(charset)
  break
 except UnicodeDecodeError:
  pass
  # logging.error('Decode:', error)
return page_html

6-2. @retry是装饰器，用于重试, 因为需要传参，在这里我们用一个类来包装, 所以最后改成@Retry():

# retry的类，重试次数3次，时间5秒(这样写在装饰器就不用传参数类), 异常
class Retry(object):
def __init__(self, *, retry_times=3, wait_secs=5, errors=(Exception, )):
 self.retry_times = retry_times
 self.wait_secs = wait_secs
 self.errors = errors
# call 方法传参
def __call__(self, fn):
 def wrapper(*args, **kwargs):
  for _ in range(self.retry_times):
   try:
    return fn(*args, **kwargs)
   except self.errors as e:
    # 打日志
    logging.error(e)
    # 最小避让 self.wait_secs 再发起请求(最小避让时间)
    sleep((random() + 1) * self.wait_secs)
  return None
 return wrapper()

7. 接下来写解析页面的方法，即 parse():

# 解析页面
def parse(self, html_page, *, domain='m.sohu.com'):
 soup = BeautifulSoup(html_page, 'lxml')
 url_links = []
 # 找body的有 href 属性的 a 标签
 for a_tag in soup.body.select('a[href]'):
  # 拿到这个属性
  parser = urlparse(a_tag.attrs['href'])
  netloc = parser.netloc or domain
  scheme = parser.scheme or 'http'
  netloc = parser.netloc or 'm.sohu.com'
  # 只爬取 domain 底下的
  if scheme != 'javascript' and netloc == domain:
   path = parser.path
   query = '?' + parser.query if parser.query else ''
   full_url = f'{scheme}://{netloc}{path}{query}'
   if full_url not in visited_urls:
    url_links.append(full_url)
 return url_links

7-1. 我们需要在SpiderThread()的 run方法里面，在

current_url = self.tasks_queue.get()

下面添加

visited_urls.add(current_url)

在类外面再添加一个

visited_urls = set()去重

8. 现在已经能开始抓取到相应的网址。

总结

以上所述是小编给大家介绍的python面向对象多线程爬虫爬取搜狐页面的实例代码网站的支持！

来源：https://www.tuicool.com/articles/URva2ey