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。