Python基于多线程实现抓取数据存入数据库的方法
本文实例讲述了Python基于多线程实现抓取数据存入数据库的方法。分享给大家供大家参考,具体如下:
1.数据库类
""" 使用须知: 代码中数据表名aces,需要更改该数据表名称的注意更改 """ importpymysql classDatabase(): #设置本地数据库用户名和密码 host="localhost" user="root" password="" database="test" port=3306 charset="utf8" cursor='' connet='' def__init__(self): #连接到数据库 self.connet=pymysql.connect(host=self.host,user=self.user,password=self.password,database=self.database,charset=self.charset) self.cursor=self.connet.cursor() ##删表 defdropTables(self): self.cursor.execute('''''droptableifexistsaces''') print("删表") #建表 defcreateTables(self): self.cursor.execute('''''createtableifnotexistsaces ( asinvarchar(11)primarykeynotnull, checkedvarchar(200));''') print("建表") #保存数据 defsave(self,aceslist): self.cursor.execute("insertintoaces(asin,checked)values(%s,%s)",(aceslist[0],aceslist[1])) self.connet.commit() #判断元素是否已经在数据库里,在就返回true,不在就返回false defis_exists_asin(self,asin): self.cursor.execute('select*fromaceswhereasin=%s',asin) ifself.cursor.fetchone()isNone: returnFalse returnTrue #db=Database()
2.多线程任务类
importurllib.parse importurllib.parse importurllib.request fromqueueimportQueue importtime importrandom importthreading importlogging importpymysql frombs4importBeautifulSoup fromlocal_dataimportDatabase #一个模块中存储多个类AmazonSpeder,ThreadCrawl(threading.Thread),AmazonSpiderJob classAmazonSpider(): def__init__(self): self.db=Database() defrandHeader(self): head_connection=['Keep-Alive','close'] head_accept=['text/html,application/xhtml+xml,*/*'] head_accept_language=['zh-CN,fr-FR;q=0.5','en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3'] head_user_agent=['Mozilla/5.0(WindowsNT6.3;WOW64;Trident/7.0;rv:11.0)likeGecko', 'Mozilla/5.0(WindowsNT5.1)AppleWebKit/537.36(KHTML,likeGecko)Chrome/28.0.1500.95Safari/537.36', 'Mozilla/5.0(WindowsNT6.1;WOW64;Trident/7.0;SLCC2;.NETCLR2.0.50727;.NETCLR3.5.30729;.NETCLR3.0.30729;MediaCenterPC6.0;.NET4.0C;rv:11.0)likeGecko)', 'Mozilla/5.0(Windows;U;WindowsNT5.2)Gecko/2008070208Firefox/3.0.1', 'Mozilla/5.0(Windows;U;WindowsNT5.1)Gecko/20070309Firefox/2.0.0.3', 'Mozilla/5.0(Windows;U;WindowsNT5.1)Gecko/20070803Firefox/1.5.0.12', 'Opera/9.27(WindowsNT5.2;U;zh-cn)', 'Mozilla/5.0(Macintosh;PPCMacOSX;U;en)Opera8.0', 'Opera/8.0(Macintosh;PPCMacOSX;U;en)', 'Mozilla/5.0(Windows;U;WindowsNT5.1;en-US;rv:1.8.1.12)Gecko/20080219Firefox/2.0.0.12Navigator/9.0.0.6', 'Mozilla/4.0(compatible;MSIE8.0;WindowsNT6.1;Win64;x64;Trident/4.0)', 'Mozilla/4.0(compatible;MSIE8.0;WindowsNT6.1;Trident/4.0)', 'Mozilla/5.0(compatible;MSIE10.0;WindowsNT6.1;WOW64;Trident/6.0;SLCC2;.NETCLR2.0.50727;.NETCLR3.5.30729;.NETCLR3.0.30729;MediaCenterPC6.0;InfoPath.2;.NET4.0C;.NET4.0E)', 'Mozilla/5.0(WindowsNT6.1;WOW64)AppleWebKit/537.1(KHTML,likeGecko)Maxthon/4.0.6.2000Chrome/26.0.1410.43Safari/537.1', 'Mozilla/5.0(compatible;MSIE10.0;WindowsNT6.1;WOW64;Trident/6.0;SLCC2;.NETCLR2.0.50727;.NETCLR3.5.30729;.NETCLR3.0.30729;MediaCenterPC6.0;InfoPath.2;.NET4.0C;.NET4.0E;QQBrowser/7.3.9825.400)', 'Mozilla/5.0(WindowsNT6.1;WOW64;rv:21.0)Gecko/20100101Firefox/21.0', 'Mozilla/5.0(WindowsNT6.1;WOW64)AppleWebKit/537.1(KHTML,likeGecko)Chrome/21.0.1180.92Safari/537.1LBBROWSER', 'Mozilla/5.0(compatible;MSIE10.0;WindowsNT6.1;WOW64;Trident/6.0;BIDUBrowser2.x)', 'Mozilla/5.0(WindowsNT6.1;WOW64)AppleWebKit/536.11(KHTML,likeGecko)Chrome/20.0.1132.11TaoBrowser/3.0Safari/536.11'] header={ 'Connection':head_connection[0], 'Accept':head_accept[0], 'Accept-Language':head_accept_language[1], 'User-Agent':head_user_agent[random.randrange(0,len(head_user_agent))] } returnheader defgetDataById(self,queryId): #如果数据库中有的数据,直接返回不处理 ifself.db.is_exists_asin(queryId): return req=urllib.request.Request(url="https://www.amazon.com/dp/"+str(queryId),headers=self.randHeader()) webpage=urllib.request.urlopen(req) html=webpage.read() soup=BeautifulSoup(html,'html.parser') content=soup.find_all("span",id="asTitle") #加入一种判断,有的asin没有该定位, iflen(content): #非空 state=content[0].string else: #列表为空,没有定位到 state="other" print(queryId) print(state) self.db.save([queryId,state]) classThreadCrawl(threading.Thread):#ThreadCrawl类继承了Threading.Thread类 def__init__(self,queue):#子类特有属性,queue FORMAT=time.strftime("[%Y-%m-%d%H:%M:%S]",time.localtime())+"[AmazonSpider]-----%(message)s------" logging.basicConfig(level=logging.INFO,format=FORMAT) threading.Thread.__init__(self) self.queue=queue self.spider=AmazonSpider()#子类特有属性spider,并初始化,将实例用作属性 defrun(self): whileTrue: success=True item=self.queue.get()#调用队列对象的get()方法从队头删除并返回一个项目item try: self.spider.getDataById(item)#调用实例spider的方法getDataById(item) except: #print("失败") success=False ifnotsuccess: self.queue.put(item) logging.info("nowqueuesizeis:%d"%self.queue.qsize())#队列对象qsize()方法,返回队列的大小 self.queue.task_done()#队列对象在完成一项工作后,向任务已经完成的队列发送一个信号 classAmazonSpiderJob(): def__init__(self,size,qs): self.size=size#将形参size的值存储到属性变量size中 self.qs=qs defwork(self): toSpiderQueue=Queue()#创建一个Queue队列对象 forqinself.qs: toSpiderQueue.put(q)#调用队列对象的put()方法,在对尾插入一个项目item foriinrange(self.size): t=ThreadCrawl(toSpiderQueue)#将实例用到一个类的方法中 t.setDaemon(True) t.start() toSpiderQueue.join()#队列对象,等到队列为空,再执行别的操作
3.主线程类
fromamazon_simportAmazonSpiderJob#从一个模块中导入类 importpymysql importpandasaspd fromlocal_dataimportDatabase if__name__=='__main__': #初次跑程序的时候,需要删除旧表,然后新建表,之后重启再跑的时候需要注释 #---------------------- db=Database() db.dropTables() db.createTables() #--------------------------- df=pd.read_excel("ASIN检查_viogico_1108.xlsx") #print(df.info()) qs=df["asin1"].values print(qs) print(len(qs)) amazonJob=AmazonSpiderJob(8,qs) amazonJob.work()
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。