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.nhooo.com/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]forxinrange(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？
defgetData(start,end):
forxinrange(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(lambdadriver:driver.find_element_by_id("pager")\
.find_element_by_xpath("span[@value={0}and@class!='endpage']".format(x))\
.get_attribute("class").find("at")!=-1)
#保存抓取到的html内容
#保存到html目录下
withopen("./htmls/{0}.txt".format(x),"wb")asf:
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
defgetData(myrange):
forxinmyrange:
#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(lambdadriver:driver.find_element_by_id("pager")\
.find_element_by_xpath("span[@value={0}and@class!='endpage']".format(x))\
.get_attribute("class").find("at")!=-1)
#保存抓取到的html内容
#保存到html目录下
withopen("./htmls/{0}.txt".format(x),"wb")asf:
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]forxinrange(0,len(r),step)]#把页面分段 #创建进程 processList=[] if__name__=="__main__": forrinmyList: p=Process(target=getData,args=(r,)) processList.append(p) #开始执行进程 forpinprocessList: 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
fromseleniumimportwebdriver
fromselenium.webdriver.support.uiimportWebDriverWait
fromselenium.webdriver.supportimportexpected_conditions
frommultiprocessingimportProcess
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
defgetData(myrange):
forxinmyrange:
#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(lambdadriver:driver.find_element_by_id("pager")\
.find_element_by_xpath("span[@value={0}and@class!='endpage']".format(x))\
.get_attribute("class").find("at")!=-1)
#保存抓取到的html内容
#保存到html目录下
withopen("./htmls/{0}.txt".format(x),"wb")asf:
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]forxinrange(0,len(r),step)]#把页面分段
#创建进程
processList=[]
if__name__=="__main__":
forrinmyList:
p=Process(target=getData,args=(r,))
processList.append(p)
#开始执行进程
forpinprocessList:
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。