參考連結:
擷取 url,标題以及時間。。。。(很簡單的奧,xpath一下子就可以提取到了)
(這次主要是練習多線程和批處理存入資料庫的,是以隻是簡單的解析,擷取頁面元素)
重要思路: 開啟多線程時
1)首先将爬取的url 放入到資料結構的隊列裡,保證資料安全。
2)将爬取到的結果,全部存入到一個結果集隊列裡,進行下一步的操作。
3)隊列裡的get和put方法不要混淆,put是向隊列裡添加元素,get是取出或者是踢出并傳回這個元素!!!!
第一步: 建立線程以及存儲隊列:
def main():
start_url = Queue.Queue() # 存放url的隊列
result_queue = Queue.Queue() # 結果集隊列
for i in range(1, 3):# 網站分頁
page_url = 'http://data.stcn.com/list/djsj_%s.shtml' % i
start_url.put(page_url) # 将值添加到start_url隊列中
# 建構線程
thread_list = [] # 存放線程的容器
for n in range(4): # 一次運作4 個線程
# 建立線程,target調用get_news_url方法,args傳入參數
t_t = threading.Thread(target=get_news_url, args=(start_url, result_queue))
thread_list.append(t_t)
for t in thread_list:
t.start() # 啟動線程
第二步:解析網頁,擷取目标元素(不多介紹了哈)
def get_news_url(start_url, result_queue): # 在main方法裡傳入參數
result = []
while start_url.qsize():
page_url = start_url.get() # 從隊列中取出并傳回這個資料
try:
response = requests.get(page_url)
except Exception as e:
print "抓取網頁錯誤,錯誤為:%s" % e
return None
if response.status_code == 200:
selector = etree.HTML(response.text)
web_content = selector.xpath('//p[@class="tit"]')
for news in web_content:
item_result = {}
item_result['href'] = news.xpath('a/@href')[0]
item_result['title'] = news.xpath('a/text()')[0]
item_result['date_news'] = news.xpath('span/text()')[0]
result.append(item_result)
if len(result) > 0:#如果result裡有資料的話,
result_queue.put(result) # put是向結果集 隊列裡添加元素result
start_url.task_done() #是指這個任務結束
else:
time.sleep(5)
第三步: 存,批量插入Mysql資料庫
到這一步我們擷取得到的資料結構是形如這樣的[{},{},{},{}]:
而插入資料庫的關鍵,就是擷取插入的值!!!這裡周遊出是個字典格式的資料,是以需要用dict的方法擷取元素!!!
核心代碼就兩行!!!!
data = [item.values() for item in result] #周遊得到每個{}裡的values值
cur.executemany(sql2, tuple(data)) #記得一定要轉化成元組
print 'insert sucessful'
多條記錄的插入,需要用executemany(速度哦,真的比之前快好多好多~~~)
不要忘記大前提
連結資料庫 和 建立資料庫 和表(這部分 可以手動建立 也可以代碼建立)
代碼連結資料庫 和建立 資料表
def save_news_mysql(result):
con = MySQLdb.connect(host= '127.0.0.1', user= 'root', passwd= '123456' ,charset='utf8',port = 3306)
cur = con.cursor()
sql = 'create database if not exists cstn_database default charset utf8'
cur.execute(sql)
con.select_db('cstn_database') # 以上是連接配接和建立 資料庫
sql = 'create table if not exists news_cstn'+"(id int auto_increment, href varchar(255), title varchar(255),\date_news varchar(255), primary key(ID))"
cur.execute(sql) # 建立表結構 這部分代碼以後直接在mysql裡建立就可以了
sql2 = 'insert into news_cstn (href,title,date_news) VALUES (%s,%s,%s)'
data = [item.values() for item in result]
cur.executemany(sql2, tuple(data))
print 'insert sucessful'
資料庫名:cstn_database
表名:cstn
字段:id,href,title,data_news
看似簡單,其實虐我好久丫!!!
敬上完整代碼:
# -*- coding: UTF-8 -*-
import requests
from lxml import etree
import csv
import MySQLdb
import xlwt
import Queue
import threading
import time
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
# from util.crawler import Header, Proxy 代理 請求頭 我放在另個檔案夾
# from database.db import Database
#
# con = Database.getConnection() # 連接配接資料庫
# cur = con.cursor() # 遊标對象
def get_news_url(start_url, result_queue):
result = []
while start_url.qsize():
page_url = start_url.get() # 從隊列中移除并傳回這個資料
try:
response = requests.get(page_url)
except Exception as e:
print "抓取網頁錯誤,錯誤為:%s" % e
return None
if response.status_code == 200:
selector = etree.HTML(response.text)
web_content = selector.xpath('//p[@class="tit"]')
for news in web_content:
item_result = {}
item_result['href'] = news.xpath('a/@href')[0]
item_result['title'] = news.xpath('a/text()')[0]
item_result['date_news'] = news.xpath('span/text()')[0]
result.append(item_result)
if len(result) > 0:
result_queue.put(result) # put是向結果集 隊列裡添加元素
start_url.task_done()
else:
time.sleep(5)
def save_to_excel(result):
workbook = xlwt.Workbook()
sheet = workbook.add_sheet('result3')
title = ['href','title','date']
for i ,item in enumerate(title):
sheet.write(0, i, item)
data = [item.values() for item in result]
print data
for row, item in enumerate(data):
for i, info in enumerate(item):
print row+1, i ,info
sheet.write(row+1 , i , info)
workbook.save('Myresult.xls')
def save_news_mysql(result):
con = MySQLdb.connect(host= '127.0.0.1', user= 'root', passwd= '123456' ,charset='utf8',port = 3306)
cur = con.cursor()
sql = 'create database if not exists cstn_database default charset utf8'
cur.execute(sql)
con.select_db('cstn_database')
sql = 'create table if not exists news_cstn'+"(id int auto_increment, href varchar(255), title varchar(255), \
date_news varchar(255), primary key(ID))"
cur.execute(sql) # 建立表結構 這部分代碼以後直接在mysql裡建立就可以了
sql2 = 'insert into news_cstn (href,title,date_news) VALUES (%s,%s,%s)'
data = [item.values() for item in result]
cur.executemany(sql2, tuple(data))
print 'insert sucessful'
# for elem in result: # 單條插入
# sql = 'insert into news_cstn (href,title,date_news) VALUES (\'%s\',\'%s\',\'%s\')' % (elem['href'],elem['title'],elem['date_news'])
# cur.execute(sql)
con.commit()
cur.close()
con.close()
def main():
start_url = Queue.Queue() # 存放url的隊列
result_queue = Queue.Queue() # 結果集隊列
for i in range(1, 3):
page_url = 'http://data.stcn.com/list/djsj_%s.shtml' % i
start_url.put(page_url) # 将值插入隊列中
# 建構線程
thread_list = []
for n in range(4): # 建立4 個線程
t_t = threading.Thread(target=get_news_url, args=(start_url, result_queue)) # 建立線程,調用get_news_url方法,args傳入參數
thread_list.append(t_t)
for t in thread_list:
t.start()
start_url.join() # 就是當所有的url全部擷取完,放入到結果集裡才開始存入資料庫,防止出現 插入資料庫報錯的情況
while result_queue.qsize(): # 傳回隊列的大小
save_news_mysql(result_queue.get()) # 将結果存入資料庫中
if __name__ == "__main__":
main()