python爬虫–异步

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

代码粘贴

# 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

https://www.pearvideo.com/category_6

代码粘贴

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

详情页发现ajks请求

但是，这是假地址
例：
假地址：

真地址

对比之后发现

圈中的数字中换为cont-video_id就为真地址