python爬虫之多线程爬取--小米应用商店

旧城等待， 2023-06-22 09:22 58阅读 0赞

## **多线程爬虫** ##

### **应用场景** ###

1、多进程 ：CPU密集程序
    2、多线程 ：爬虫(网络I/O)、本地磁盘I/O

*  队列

# 导入模块
    from queue import Queue
    # 使用
    q = Queue()
    q.put(url)
    q.get() # 当队列为空时，阻塞
    q.empty() # 判断队列是否为空，True/False

*  线程模块

# 导入模块
    from threading import Thread
    
    # 使用流程 
    t = Thread(target=函数名) # 创建线程对象
    t.start() # 创建并启动线程
    t.join()  # 阻塞等待回收线程
    
    # 创建多线程
    t_list = []
    for i in range(5):
        t = Thread(target=函数名)
        t_list.append(t)
        t.start()
    
    for i in t_list:
        i.join()

### **小米应用商店抓取(多线程)** ###

*  **目标**

1、网址 ：百度搜 - 小米应用商店，进入官网
    2、目标 ：应用分类 - 聊天社交
       应用名称
       应用链接

*  **实现步骤**

**1、确认是否为动态加载**

1、页面局部刷新
    2、右键查看网页源代码，搜索关键字未搜到
    # 此网站为动态加载网站，需要抓取网络数据包分析

**2、F12抓取网络数据包**

1、抓取返回json数据的URL地址（Headers中的Request URL）
       http://app.mi.com/categotyAllListApi?page={ }&categoryId=2&pageSize=30
            
    2、查看并分析查询参数（headers中的Query String Parameters）
       page: 1
       categoryId: 2
       pageSize: 30
       # 只有page再变，0 1 2 3 ... ... ，这样我们就可以通过控制page的直拼接多个返回json数据的URL地址

*  代码实现

import requests
    from threading import Thread
    from queue import Queue
    import json
    import time
    
    class XiaomiSpider(object):
        def __init__(self):
            self.headers = { 'User-Agent':'Mozilla/5.0'}
            self.url = 'http://app.mi.com/categotyAllListApi?page={}&categoryId=2&pageSize=30'
            # 定义队列，用来存放URL地址
            self.url_queue = Queue()
    
        # URL入队列
        def url_in(self):
            # 拼接多个URL地址,然后put()到队列中
            for i in range(67):
                self.url.format((str(i)))
                self.url_queue.put(self.url)
    
        # 线程事件函数(请求,解析提取数据)
        def get_page(self):
            # 先get()URL地址,发请求
            # json模块做解析
            # 循环从队列中获取url抓取数据
            while True:
                # 当队列不为空时,获取url地址
                if not self.url_queue.empty():
                    url = self.url_queue.get()
                    html = requests.get(url,headers=self.headers).text
                    self.parse_page(html)
                else:
                    break
        # 解析函数
        def parse_page(self,html):
            app_json = json.loads(html)
            for app in app_json['data']:
                # 应用名称
                name = app['displayName']
                # 应用链接
                link = 'http://app.mi.com/details?id={}'.format(app['packageName'])
                d = {  '名称' : name,'链接' : link }
                print(d)
    
        # 主函数
        def main(self):
            self.url_in()
            # 存放所有线程的列表
            t_list = []
    
            for i in range(10):
                t = Thread(target=self.get_page)
                t.start()
                t_list.append(t)
    
            # 统一回收线程
            for p in t_list:
                p.join()
    
    if __name__ == '__main__':
        start = time.time()
        spider = XiaomiSpider()
        spider.main()
        end = time.time()
        print('执行时间:%.2f' % (end-start))