python中的异步爬虫详解
作者：南岸青栀*
这篇文章主要介绍了python中的异步爬虫详解,所谓的异步异步 IO，就是发起一个 IO 阻塞的操作，但是不用等到它结束，可以在它执行 IO 的过程中继续做别的事情，当 IO 执行完毕之后会收到它的通知,需要的朋友可以参考下
python异步爬虫
基本概念
目的:在爬虫中使用异步实现高性能的数据爬取操作。
异步爬虫的方式:
- 多线程，多进程(不建议) :
- 好处:可以为相关阻塞的操作单独开启线程或者进程，阻塞操作就可以异步执行。
- 弊端:无法无限制的开启多线程或者多进程。
- 线程池、 进程池(适当) :
- 好处:我们可以降低系统对进程或者线程创建和销毁的一个频率，从而很好的降低系统的开销。
- 弊端:池中线程或进程的数量是有上限。
线程池的基本使用
# import time
# #单线程串行方式执行
# start_time = time.time()
# def get_page(str):
# print('正在下载：',str)
# time.sleep(2)
# print('下载完成：',str)
#
# name_list = ['haha','lala','duoduo','anan']
#
# for i in range(len(name_list)):
# get_page(name_list[i])
#
# end_time = time.time()
# print(end_time-start_time)
import time
from multiprocessing.dummy import Pool
#单线程串行方式执行
start_time = time.time()
def get_page(str):
print('正在下载：',str)
time.sleep(2)
print('下载完成：',str)
name_list = ['haha','lala','duoduo','anan']
pool = Pool(4)
pool.map(get_page,name_list)
end_time = time.time()
print(end_time-start_time)效果图
单线程串行方式
线程池
爬取网址：https://www.pearvideo.com/category_6
代码
import requests,re,random
from lxml import etree
from multiprocessing.dummy import Pool
urls = [] #视频地址和视频名称的字典
#获取视频假地址函数
def get_videoadd(detail_url,video_id):
ajks_url = 'https://www.pearvideo.com/videoStatus.jsp'
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36',
'Referer':detail_url
}
params = {
'contId': video_id,
'mrd': str(random.random())
}
video_json = requests.post(headers=header,url=ajks_url,params=params).json()
return video_json['videoInfo']['videos']['srcUrl']
#获取视频数据和持久化存储
def get_videoData(dic):
right_url = dic['url']
print(dic['name'],'start!')
video_data = requests.get(url=right_url,headers=headers).content
with open(dic['name'],'wb') as fp:
fp.write(video_data)
print(dic['name'],'over!')
if __name__ == '__main__':
url = 'https://www.梨video.com/category_6'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'
}
page_text = requests.get(url=url,headers=headers).text
tree = etree.HTML(page_text)
li_list = tree.xpath('//*[@id="listvideoListUl"]/li')
for li in li_list:
detail_url = 'https://www.pearvideo.com/'+li.xpath('./div/a/@href')[0]
name = li.xpath('./div/a/div[2]/text()')[0]+'.mp4'
#解析视频ID
video_id = detail_url.split('/')[-1].split('_')[-1]
false_url = get_videoadd(detail_url,video_id)
temp = false_url.split('/')[-1].split('-')[0]
#拼接出正确的url
right_url = false_url.replace(temp,'cont-'+str(video_id))
dic = {
'name':name,
'url':right_url
}
urls.append(dic)
#使用线程池
pool = Pool(4)
pool.map(get_videoData,urls)
#子线程结束后关闭
pool.close()
#主线程关闭
pool.join()效果图
思路
1.详情页发现ajks请求
2.但是，这是假地址 例： 假地址：
https://video.pearvideo.com/mp4/adshort/20210323/1616511268090-15637590_adpkg-ad_hd.mp4
3.真地址
https://video.pearvideo.com/mp4/adshort/20210323/cont-1724179-15637590_adpkg-ad_hd.mp4
对比之后发现
圈中的数字中换为cont-video_id就为真地址
到此这篇关于python中的异步爬虫详解的文章就介绍到这了,更多相关python异步爬虫内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！