python多线程爬虫+批量下载斗图啦图片项目（关注、持续更新）

python多线程爬虫项目（）

爬取目标：斗图啦（起始url：http://www.doutula.com/photo/list/?page=1）

爬取内容：斗图啦全网图片

使用工具：requests库实现发送请求、获取响应。　　

　　　　　xpath实现数据解析、提取和清洗　　

　　　　　threading模块实现多线程爬虫

爬取结果：

思路：由于该爬虫存在网络密集IO和磁盘密集IO，存在大量等待时间，遂采用多线程方式爬取。

设计：本文采用多为结构化代码的面向对象封装设计思路，使用生产消费者模型，完成多线程的调度、爬取。

直接放代码（详细说明在注释里，欢迎同行相互交流、学习~）：

 import os
 import threading
 import re
 from queue import Queue
 import requests
 from urllib import request
 from lxml import etree

 # 定义一个全局变量，存储请求头headers数据
 headers = {
     "User-Agent": "Mozilla/5.0 (compatible; YandexBot/3.0; +http://yandex.com/bots)"
 }

 class Producter(threading.Thread):
     """
     生产者模型：负责从起始url队列中提取url，进行解析，将得到的图片地址放入img图片队列中
     """
     def __init__(self, page_queue, img_queue, *args, **kwargs):
         # 改写父类threading.Thread的__init__方法，添加默认值
         super(Producter, self).__init__(*args, **kwargs)
         # 添加对象属性
         self.page_queue = page_queue
         self.img_queue = img_queue

     def run(self):
         """
         实现消费者模型的主要业务逻辑
         """
         while True:
             # 当请求队列为空，生产者停止生产
             if self.page_queue.empty():
                 break
             # 获取起始url队列的对象，进行页面解析
             url = self.page_queue.get()
             self.parse_url(url)

     def parse_url(self, url):
         """
         实现解析指定页面的功能
         :param url: 传入待处理的页面url
         """
         response = requests.get(url=url, headers=headers)
         html = etree.HTML(response.text)
         # 使用lxml库里HTML解析器进行数据解析，利用xpath语法解析得到指定数据，返回一个element对象列表
         url_gifs = html.xpath("//div[@class='page-content text-center']//img[@class!='gif']")
         for url_gif in url_gifs:
             # element.get(属性名)可以获取属性值
             url_name = url_gif.get("alt")
             # 正则表达式替换非法字符
             url_name = re.sub(r"[\!！\.\?？]", "", url_name).strip()
             url_link = url_gif.get("data-original")
             # os模块中os.path.splitext()可以获取url的后缀名
             url_suffix = os.path.splitext(url_link)[1]
             filename = url_name + url_suffix
             # 队列的put（）里面传的是元组或者列表
             self.img_queue.put((url_link, filename)) 

 class Consumer(threading.Thread):
     """
     消费者模型的主要业务逻辑
     """

     def __init__(self, page_queue, img_queue, *args, **kwargs):
         super(Consumer, self).__init__(*args, **kwargs)
         self.page_queue = page_queue
         self.img_queue = img_queue

     def run(self):
         """
         实现读取图片url内容的功能
         """
         while True:
             if self.page_queue.empty() and self.img_queue.empty():
                 break
             url, filename = self.img_queue.get()
             # urllib库里面的request模块可以读取图片url内容
             request.urlretrieve(url, "GIF/" + filename)
             # 控制台输出提示信息
             print(filename + "-------下载完成！")

 def main():
     # 创建page队列，存放请求的起始url;创建img队列，存放图片data的url
     page_queue = Queue(100) # 设置队列的最大存储数量
     img_queue = Queue(1000) # 设置队列的最大存储数量
     for i in range(100):
         start_url_format = "http://www.doutula.com/photo/list/?page={}".format(i)
         # print(start_url_format) #调试代码用
         page_queue.put(start_url_format) #将获取的起始url放入队列中
     # 生成多线程对象（多个生产者、消费者）。实现发送请求，获取响应，解析页面，获取数据
     for i in range(10):
         t = Producter(page_queue, img_queue)
         t.start()
     for i in range(10):
         t = Consumer(page_queue, img_queue)
         t.start()

 if __name__ == '__main__':
     main()