鲁达 一、背景介绍
大家好，我有带来干货了。对于不同的数据我们使用的抓取方式不一样,图片,视频,音频,文本,都有所不同,由于网站图片素材过多,所以今天我们使用多线程的方式采集某站4K高清壁纸。
二、页面分析
目标网站：
如图所示，有278个页面,这里我们爬取前100页的壁纸图片，保存到本地；
解析页面
如图所示所哟鱼的图片在一个大盒子里面（ <div class="flex-img auto mt"></div> ）,下面每一个div就对应一张高清壁纸；
然后每页div标签里面的壁纸图片数据的各种信息:1.链接;2.名称;下面是xpath的解析;
imgLink = each.xpath("./a[1]/img/@data-original")[0] name = each.xpath("./a[1]/img/@alt")[0]有一个注意点:
图片标签有src属性也有data-original属性，都对应图片的url地址，我们一般使用后者，因为data-original-src是自定义属性，图片的实际地址，而src属性需要页面加载完全才会全部显现，不然得不到对应地址；
三、抓取思路
上面已经说过，图片数据过多，我们不可能写个for循环一个一个的下载，所以必然要使用多线程或者是多进程，然后把这么多的数据队列丢给线程池或者进程池去处理；在python中，multiprocessing Pool进程池，mul非常好用，
- mul 模块： dummy 模块是多线程；
- multiprocessing 模块： multiprocessing 是多进程；
mul 模块与 multiprocessing 模块两者的api 都是通用的；代码的切换使用上比较灵活；
页面url规律：
'; # 第一页 '; # 第二页 '; # 第三页构建的url:
page = '{}.html'.format(i)那么我们定制两个函数一个用于爬取并且解析页面（spider），一个用于下载数据 (download)，开启线程池，使用for循环构建13页的url,储存在列表中，作为url队列，使用 () 方法进行spider,爬虫的操作;
def map(self, fn, *iterables, timeout=None, chunksize=1): """Returns an iterator equivalent to map(fn, iter)”“” 这里我们的使用是：(spider,page) # spider:爬虫函数；page:url队列作用：将列表中的每个元素提取出来当作函数的参数，创建一个个进程，放进进程池中；
参数1：要执行的函数；
参数2：迭代器，将迭代器中的数字作为参数依次传入函数中；
四、数据采集
导入相关第三方库
from lxml import etree # 解析 import requests # 请求 from mul import Pool as ThreadPool # 并发 import time # 效率页面数据解析
def spider(url): html = reque(url, headers=headers) selector = e) contents = ("//div[@class='flex-img auto mt']/div") item = {} for each in contents: imgLink = each.xpath("./a[1]/img/@data-original")[0] name = each.xpath("./a[1]/img/@alt")[0] item['Link'] = imgLink item['name'] = name towrite(item)download下载图片
def download_pic(contdict): name = contdict['name'] link = contdict['Link'] with open('img/' + name + '.jpg','wb') as f: data = reque(link) cont = da f.write(cont) print('图片' + name + '下载成功!')main() 主函数
pool = ThreadPool(6) page = [] for i in range(1, 101): newpage = '{}.html'.format(i) (newpage) result = (spider, page) () ()说明：
- 在主函数里我们首选创建了六个线程池；
- 通过for循环动态构建100条url;
- 使用map() 函数对线程池中的url进行数据解析存储操作；
- 当线程池close的时候并未关闭线程池，只是会把状态改为不可再插入元素的状态；
五、程序运行
if __name__ == '__main__': start = () # 开始计时 main() print(end - start) # 时间差结果如下：
当然了这里只是截取了部分图像，总共爬取了，2000+张图片。
六、总结
本次我们使用了多线程爬取了某壁纸网站的高清图片，如果使用requests很明显同步请求并且下载数据是比较慢的，所以我们使用多线程的方式去下载图片，提高了爬取效率。