Python多进程方式抓取基金网站内容的方法分析
本文实例讲述了Python多进程方式抓取基金网站内容的方法。分享给大家供大家参考,具体如下:
在前面这篇//www.jb51.net/article/162418.htm我们已经简单了解了”python的多进程”,现在我们需要把抓取基金网站(28页)内容写成多进程的方式。
因为进程也不是越多越好,我们计划分3个进程执行。意思就是 :把总共要抓取的28页分成三部分。
怎么分呢?
# 初始range r = range(1,29) # 步长 step = 10 myList = [r[x:x+step] for x in range(0,len(r),step)] print(myList) # [range(1, 11), range(11, 21), range(21, 29)]
看上面代码,我们就把1~29分成了三部分,list里三个range。
2、还记得我们抓取基金网站内容的getData()
函数?
def getData(start, end): for x in range(start, end+1): # 去第几页 输入框 tonum = driver.find_element_by_id("tonum") # 去第几页 提交按钮 jumpBtn = driver.find_element_by_id("btn_jump") tonum.clear() # 第x页 输入框 tonum.send_keys(str(x)) # 去第x页 jumpBtn.click() # 点击按钮 WebDriverWait(driver, 20).until(lambda driver: driver.find_element_by_id("pager") \ .find_element_by_xpath("span[@value={0} and @class!='end page']".format(x)) \ .get_attribute("class").find("at") != -1) # 保存抓取到的html内容 # 保存到html目录下 with open("./htmls/{0}.txt".format(x),"wb") as f: f.write(driver.find_element_by_id("tableDiv").get_attribute("innerHTML").encode("utf8")) f.close()
函数是有2个参数:一个开始页码,一个结束页码,也就是从第start页,到第end页。
这2个参数实际上也是range
。
改造getData()
函数如下(参数不同了):
# 循环抓取网页内容的函数 def getData(myrange): for x in myrange: # 去第几页 输入框 tonum = driver.find_element_by_id("tonum") # 去第几页 提交按钮 jumpBtn = driver.find_element_by_id("btn_jump") tonum.clear() # 第x页 输入框 tonum.send_keys(str(x)) # 去第x页 jumpBtn.click() # 点击按钮 WebDriverWait(driver, 20).until(lambda driver: driver.find_element_by_id("pager") \ .find_element_by_xpath("span[@value={0} and @class!='end page']".format(x)) \ .get_attribute("class").find("at") != -1) # 保存抓取到的html内容 # 保存到html目录下 with open("./htmls/{0}.txt".format(x),"wb") as f: f.write(driver.find_element_by_id("tableDiv").get_attribute("innerHTML").encode("utf8")) f.close()
3、创建进程,把target设置为上面的getData()
:
# 初始range r = range(1,int(total_page)+1) # 步长 step = 10 myList = [r[x:x+step] for x in range(0,len(r),step)] # 把页面分段 # 创建进程 processList = [] if __name__ == "__main__": for r in myList: p = Process(target=getData,args=(r,)) processList.append(p) # 开始执行进程 for p in processList: p.start()
这样就有三个进程分别抓取。
4、多进程抓取基金网站多页内容完全代码:
# coding: utf-8 from selenium import webdriver from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions from multiprocessing import Process driver = webdriver.PhantomJS(executable_path=r"你phantomjs的可执行文件路径") # 请求一个网址 driver.get("http://fund.eastmoney.com/fund.html") page_text = driver.find_element_by_id("pager").find_element_by_xpath("span[@class='nv']").text total_page = ''.join(filter(str.isdigit,page_text)) # 得到总共有多少页 # 循环抓取网页内容的函数 def getData(myrange): for x in myrange: # 去第几页 输入框 tonum = driver.find_element_by_id("tonum") # 去第几页 提交按钮 jumpBtn = driver.find_element_by_id("btn_jump") tonum.clear() # 第x页 输入框 tonum.send_keys(str(x)) # 去第x页 jumpBtn.click() # 点击按钮 WebDriverWait(driver, 20).until(lambda driver: driver.find_element_by_id("pager") \ .find_element_by_xpath("span[@value={0} and @class!='end page']".format(x)) \ .get_attribute("class").find("at") != -1) # 保存抓取到的html内容 # 保存到html目录下 with open("./htmls/{0}.txt".format(x),"wb") as f: f.write(driver.find_element_by_id("tableDiv").get_attribute("innerHTML").encode("utf8")) f.close() # 初始range r = range(1,int(total_page)+1) # 步长 step = 10 myList = [r[x:x+step] for x in range(0,len(r),step)] # 把页面分段 # 创建进程 processList = [] if __name__ == "__main__": for r in myList: p = Process(target=getData,args=(r,)) processList.append(p) # 开始执行进程 for p in processList: p.start()
更多关于Python相关内容感兴趣的读者可查看本站专题:《Python进程与线程操作技巧总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》、《Python+MySQL数据库程序设计入门教程》及《Python常见数据库操作技巧汇总》
希望本文所述对大家Python程序设计有所帮助。
相关文章
pycharm配置anaconda环境时找不到python.exe解决办法
今天来说一下python中一个管理包很好用的工具anaconda,可以轻松实现python中各种包的管理,这篇文章主要给大家介绍了关于pycharm配置anaconda环境时找不到python.exe的解决办法,需要的朋友可以参考下2023-10-10
最新评论