油炸地狱

油炸地狱

关注
发信
关注(28)粉丝(399)

壁纸爬取——协程应用

（协程）壁纸爬取

一、 算法解析

1.1 进入爬取壁纸的网站（表层网页）

1.2 获取显示单张壁纸的页面（深层网页）地址

壁纸爬取——协程应用-LMLPHP壁纸爬取——协程应用-LMLPHP

1.3 进入单张壁纸的页面

壁纸爬取——协程应用-LMLPHP

1.4 思路总结

  • ① 访问主页（表层网页）

  • ② 将主页的源代码全部读取出来

  • ② 通过正则匹配将读取的网页源代码中 所有 单张壁纸页面的（深层网页）地址 筛选出来，作为字符串对象

  • ③ http://www.netbian.com + 将两个字符串合并为完整的 url

  • ④ 通过上面完整的网址访问每张壁纸的深层网页，并将深层网页的源代码读取出来

  • ⑤ 通过正则匹配将 1920*1080壁纸 的下载地址，筛选出来

  • ⑥ 访问该壁纸的下载地址，以二进制的形式将数据读取，并以 "*.jpg(.png)" 格式进行写入为本地文件

1.5 思路代码重现

1.5.1 工程目录结构

壁纸爬取——协程应用-LMLPHP

1.5.2 导入模块以及定义全局变量

# 最好把 gevent 相关的模块放最前面，以免出现BUG
import gevent
from gevent import monkey
monkey.patch_all()
import requests
import re
from read_write.read_num import read
from read_write.write_num import write

# 爬取到的图片下载地址存放列表
url_deep_list = []
# 以下四个变量并非重点，我们关注核心算法
# 图片文件的名字
name_jpg = 0
# 允许开始下载的标志
flag_download = 0
gl_url_ok_num = 0
url_num = 0

1.5.3 访问主页（表层网页）提取 深层网页 地址——重点

def get_surface_url(surface_page):
    """表层网页提取出深层网页地址

    :param surface_page: 表层网页
    :return: 返回一个 深层网页 地址列表
    """
    # 通过目标网站，相当于获取了一个 response 这个可操作对象
    response = requests.get(surface_page)

    # TODO .+? 非贪婪匹配 当遇到 .时前面的非贪婪匹配任务结束，接着匹配htm
    url_add = r'/desk/.+?\.htm'

    # response.text 即代表该对象的文本数据，源代码数据
    # 从源代码数据中匹配 url_add 相关的内容，从而生成一个列表
    url_list_old = re.findall(url_add, response.text)

    # print(url_list_old)

    url_list_new = []

    for str_old in url_list_old:
        str_new = 'http://www.netbian.com' + str_old
        url_list_new.append(str_new)

    # print(url_list_new)

    return url_list_new

1.5.4 访问深层网页地址，提取下载地址——重点

def get_deep_url(deep_page):
    """通过深层网页获取 1920*1080 的壁纸地址

    :param deep_page: 深层网页地址
    :return: 返回一个 壁纸 下载地址
    """
    response = requests.get(deep_page)
    # 此页面已经能找到 1920*1080 jpg图片的下载地址了，我们通过正则匹配，分组“()”进行提取
    # ① 首先锁定目标地址的头 /desk/.+?-1920x1080.htm
    # ② 接着再往下匹配的地址，即为最终下载地址
    # 总结：之所以可以分两部分进行锁定匹配，是因为
    #      ① search 是可以通过跨行匹配(不过一旦匹配成功一个，即返回对象)
    #      ② .*? 到 <img src... 之间正好没有 \n 换行符，所以能往后一直匹配(因为 . 是匹配除了\n外的所有任意一个字符)
    url_add = r'/desk/.+?-1920x1080.htm.*?<img src="(http://img.netbian.com/file/.+?.jpg)"'

    deep_url = re.search(url_add, response.text)

    # 返回的对象需要，通过 group() 进行提取
    # print(deep_url.group(1))

    return deep_url.group(1)

1.5.5 下载图片——非重点

def download_jpg(local_path):
    """通过获取的地址列表下载壁纸

    :param local_path: 下载到的本地位置
    """

    global name_jpg
    global gl_url_ok_num

    # for url in url_list:
    while True:

        # print("开始下载图片...")
        # url = q_url.get()
        if flag_download == 1:
            if url_deep_list:
                url = url_deep_list[0]
                url_deep_list.pop(0)

                # name_jpg += 1

                response = requests.get(url)
                # 请求成功以后，正式开始下载时，才给它 +1 起名字，因为 +1 操作不需要等待，
                # 所以不会切换协程，直接通过 open 已经为文件起好名字了，即使下载等待，
                # 也不会影响已经有名字的文件了
                # 如果 name_jpg += 1 放上面会出现当 协程遇到 requests 时网络请求，在等待时间，会让第二个协程来执行，
                # 这样 name_jpg += 1，这样等待第一个协程开始下载时，名字就会变为 3，
                # 而且极有可能出现各种BUG，经过试验:名字会从3开始，而且最终少了两个文件
                name_jpg += 1

                with open('%s/%d.jpg' % (local_path, name_jpg), 'wb') as ft:
                    ft.write(response.content)

                # print("成功下载一张壁纸...")

                gl_url_ok_num += 1

                if not url_deep_list:
                    # print("全部下载完毕...")
                    break
            else:
                break
                # print(url)
        else:
            print("还没有爬取到地址...无法开始下载")
            gevent.sleep(2.5)
            continue

    # write("%s/num.txt" % local_path, str(name_jpg))

1.5.6 控制爬取的页面（从第几页开始，爬取若干页）——非重点

① 第一页

壁纸爬取——协程应用-LMLPHP

② 第二页

壁纸爬取——协程应用-LMLPHP

③ 第三页（这回懂了吧，改变 url 的部分参数便可以访问不同页面）

壁纸爬取——协程应用-LMLPHP
def crawl_url(page_num, page_start):
    """爬取出一个个下载地址，并加入列表 url_deep_list 当中

    :param page_num: 需要爬取的网页数
    :param page_start: 从第几个页面开始爬取
    """
    global flag_download
    global url_num

    print("开始爬取地址...")

    j = 0
    flag = 0
    while j < page_num:

        if flag == 0:
            if page_start == 1:
                url_list_surface = get_surface_url('http://www.netbian.com/erciyuan/index.htm')
            else:
                url_list_surface = get_surface_url('http://www.netbian.com/erciyuan/index_%d.htm' % (page_start + j))
            flag = 1
        else:
            url_list_surface = get_surface_url('http://www.netbian.com/erciyuan/index_%d.htm' % (page_start + j))

        for url_surface in url_list_surface:

            url_deep = get_deep_url(url_surface)
            # TODO url_deep 是单个图片的最终的下载地址,把它存入队列
            # print(url_deep)
            url_deep_list.append(url_deep)

        print()
        j += 1
    # 等所有网页爬取完毕，才开始下载，是为了能让下载进度能读取到总下载图片数量
    url_num = len(url_deep_list)
    flag_download = 1

    print("爬取地址完毕...")
    # return url_list_deep

1.5.7 显示下载进度（附加功能）——非重点

def download_rate():

    global url_num
    global gl_url_ok_num

    while True:
        if flag_download == 1:

            url_ok_num = gl_url_ok_num

            print("\r下载进度: %.2f%%---[%d/%d]..." %
                  (url_ok_num * 100 / url_num, url_ok_num, url_num), end="")

            gevent.sleep(0.5)

            if url_ok_num == url_num:
                print("\n全部下载完毕...")
                break
        else:
            print("还未爬取完地址...无法显示下载进度")
            gevent.sleep(3)
            continue

1.5.8 主函数（看不懂就从主函数看起）

def craw_jpg():
    """
    主函数
    """

    global name_jpg

    page_start = int(input("你希望从第几页开始爬取:"))
    page_num = int(input("请输入你要爬取的页数:"))
    local_path = str(input("请输入你要保存的地址:"))

    num_txt_path = local_path + "/num.txt"

    # TODO 不能通过 windows 来创建 num.txt 因为这样创建的 utf-8 文本不纯净，是BOM编码格式的，
    #  前面会有几个字符，导致 int() 转换出现问题。所以应该让 python 来自行创建

    try:  # 先尝试打开 num.txt ，无需赋值，只是为了了解是否存在 num.txt 这个文件，下面还是会进行读取的赋值的
        read(num_txt_path)

    # 如果 发现异常——没有num.txt这个文件，则会 write 自动创建文件并写入数据
    except FileNotFoundError:
        print("没有发现命名文件[num.txt] ...")
        name_jpg = input("请输入你要为文件命名的开头:")
        write(num_txt_path, str(name_jpg))
    else:
        print(" num.txt 文件已存在...")
        print()
    finally:
        name_jpg = int(read(num_txt_path)) - 1

    # C:/Users/Administrator/Desktop/爬取图片
    # name_jpg = int(read(num_txt_path))
    print(name_jpg)

    # TODO 生成5个协程 1个爬取网址和3个下载，1个显示下载进度
    gevent.joinall([
        gevent.spawn(crawl_url, page_num, page_start),
        gevent.spawn(download_jpg, local_path),
        gevent.spawn(download_jpg, local_path),
        gevent.spawn(download_jpg, local_path),
        gevent.spawn(download_rate,),
    ])

    # 是为了使下一次下载的名字是正常顺序(非重点)
    write("%s/num.txt" % local_path, str(name_jpg + 1))


if __name__ == "__main__":

    # 爬取网址: http://www.netbian.com/erciyuan/index.htm
    # 下载到本地地址: C:/Users/Administrator/Desktop/爬取图片
    craw_jpg()

1.5.9 这是txt文件写入与读取部分（用于为图片名称自动命名）——非重点

1.5.9.1 txt 读取
def read(file):

    # 打开文件
    num_file = open(file, "r", encoding="Utf-8")

    # 现将指针放回开头
    num_file.seek(0, 0)

    num_read = num_file.readline()

    # 关闭文件
    num_file.close()

    return num_read


if __name__ == "__main__":
    num = read("num.txt")
    print(num)
    print()
    print("正在测试 read_num 模块...")
1.5.9.2 txt 写入
def write(file, i):

    # 打开文件
    num_file = open(file, "w", encoding="Utf-8")

    # 现将指针放回开头
    num_file.seek(0, 0)

    num_file.write(i)

    # 关闭文件
    num_file.close()


if __name__ == "__main__":
    write("num.txt", str(2))

    print("正在测试 read_num 模块...")

程序运行结果：

你希望从第几页开始爬取:1
请输入你要爬取的页数:2
请输入你要保存的地址:C:/Users/Administrator/Desktop/爬取图片
没有发现命名文件[num.txt] ...
请输入你要为文件命名的开头:1
0
开始爬取地址...
还没有爬取到地址...无法开始下载
还没有爬取到地址...无法开始下载
还没有爬取到地址...无法开始下载
还未爬取完地址...无法显示下载进度


爬取地址完毕...
下载进度: 100.00%---[34/34]...
全部下载完毕...

二、总结

一、算法思想

  1. 每个表层网页有若干张图片，是我们最终需要下载的图片(1920*1080)的缩小版用于展示的小图片。
  2. 但我们可以通过爬取该页面的这些图片的链接 即 url_suface，通过 get_deep_url( ) 进入深层页面，深层页面中间有个大图
  3. 再通过爬取该页面的最终下载网址得到一个个的 url_deep，最终将这些网址放入 url_deep_list 列表中
  4. 最后通过 url_deep_list 一个个取出下载

二、注意事项

  1. 先将所有地址爬取完毕再进行下载，方便统计需下载的总图片数量，用于显示下载进度的图片总数

  2. 使用协程进行下载，要注意合理分配时间给用于 下载的协程 和用于 显示下载进度的协程

  3. 所以我们要让 显示下载进度的协程 （gevent.sleep(0.5)），那么这0.5s就可以分配给 用于下载的协程了

05-10 03:20
Powered by LMLPHP ©2024 油炸地狱 0.060779