Python如何使用队列方式实现多线程爬虫

说明：糗事百科段子的爬取，采用了队列和多线程的方式，其中关键点是Queue.task_done()、Queue.join()，保证了线程的有序进行。

代码如下

import requests
from lxml import etree
import json
from queue import Queue
import threading

class Qsbk(object):
 def __init__(self):
   self.headers = {
     "User-Agent": "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36",
     "Referer": "https://www.qiushibaike.com/"
   }
   # 实例化三个队列，用来存放内容
   self.url_queue = Queue()
   self.html_queue = Queue()
   self.content_queue = Queue()

def get_total_url(self):
   """
   获取了所有的页面url，并且返回url_list
   return:url_list
   现在放入url_queue队列中保存
   """
   url_temp = "https://www.qiushibaike.com/text/page/{}/"
   url_list = list()
   for i in range(1,13):
     # url_list.append(url_temp.format(i))
     # 将生成的url放入url_queue队列
     self.url_queue.put(url_temp.format(i))

def parse_url(self):
   """
   发送请求，获取响应，同时etree处理html
   """
   while self.url_queue.not_empty:
     # 判断非空，为空时结束循环

# 从队列中取出一个url
     url = self.url_queue.get()
     print("parsing url:",url)
     # 发送请求
     response = requests.get(url,headers=self.headers,timeout=10)
     # 获取html字符串
     html = response.content.decode()
     # 获取element类型的html
     html = etree.HTML(html)
     # 将生成的element对象放入html_queue队列
     self.html_queue.put(html)
     # Queue.task_done() 在完成一项工作之后，Queue.task_done()函数向任务已经完成的队列发送一个信号
     self.url_queue.task_done()

def get_content(self):
   """
   解析网页内容，获取想要的信息
   """
   while self.html_queue.not_empty:
     items = list()
     html = self.html_queue.get()
     total_div = html.xpath("//div[@class='col1 old-style-col1']/div")
     for i in total_div:

author_img = i.xpath(".//a[@rel='nofollow']/img/@src")
       author_img = "https"+author_img[0] if len(author_img)>0 else None

author_name = i.xpath(".//a[@rel='nofollow']/img/@alt")
       author_name = author_name[0] if len(author_name)>0 else None

author_href = i.xpath("./a/@href")
       author_href = "https://www.qiushibaike.com/"+author_href[0] if len(author_href)>0 else None

author_gender = i.xpath("./div[1]/div/@class")
       author_gender = author_gender[0].split(" ")[-1].replace("Icon","").strip() if len(author_gender)>0 else None

author_age = i.xpath("./div[1]/div/text()")
       author_age = author_age[0] if len(author_age)>0 else None

content = i.xpath("./a/div/span/text()")
       content = content[0].strip() if len(content)>0 else None

content_vote = i.xpath("./div[@class='stats']/span[@class='stats-vote']/i/text()")
       content_vote = content_vote[0] if len(content_vote)>0 else None

content_comment_numbers = i.xpath("./div[@class='stats']/span[@class='stats-comments']/a/i/text()")
       content_comment_numbers = content_comment_numbers[0] if len(content_comment_numbers)>0 else None

item = {
         "author_name":author_name,
         "author_age" :author_age,
         "author_gender":author_gender,
         "author_img":author_img,
         "author_href":author_href,
         "content":content,
         "content_vote":content_vote,
         "content_comment_numbers":content_comment_numbers,
       }
       items.append(item)
     self.content_queue.put(items)
     # task_done的时候，队列计数减一
     self.html_queue.task_done()

def save_items(self):
   """
   保存items
   """
   while self.content_queue.not_empty:
     items = self.content_queue.get()
     with open("quishibaike.txt",'a',encoding='utf-8') as f:
       for i in items:
         json.dump(i,f,ensure_ascii=False,indent=2)
     self.content_queue.task_done()

def run(self):
   # 获取url list
   thread_list = list()
   thread_url = threading.Thread(target=self.get_total_url)
   thread_list.append(thread_url)

# 发送网络请求
   for i in range(10):
     thread_parse = threading.Thread(target=self.parse_url)
     thread_list.append(thread_parse)

# 提取数据
   thread_get_content = threading.Thread(target=self.get_content)
   thread_list.append(thread_get_content)

# 保存
   thread_save = threading.Thread(target=self.save_items)
   thread_list.append(thread_save)

for t in thread_list:
     # 为每个进程设置为后台进程，效果是主进程退出子进程也会退出
     t.setDaemon(True)
     t.start()

# 让主线程等待，所有的队列为空的时候才能退出
   self.url_queue.join()
   self.html_queue.join()
   self.content_queue.join()

if __name__=="__main__":
 obj = Qsbk()
 obj.run()

来源：https://www.cnblogs.com/nuochengze/p/12861358.html