普通爬虫vs多线程爬虫vs框架爬虫，Python爬对比

分手后的思念是犯贱 2023-01-06 14:59 182阅读 0赞

# 前言 #

本文的文字及图片过滤网络，可以学习，交流使用，不具有任何商业用途，如有问题请及时联系我们以作处理。

**Python爬虫、数据分析、网站开发等案例教程视频免费在线观看**

https://space.bilibili.com/523606542

# ![a2b6984089fbb14c9cf0ff607a09682a.png][] #

# 基本开发环境 #

*  Python 3.6
 *  皮查姆

# 目标网页分析 #

网站就选择发表情这个网站吧

![普通爬虫vs多线程爬虫vs框架爬虫，Python爬对比][vs_vs_Python]

网站是静态网页，所有的数据都保存在div标签中，爬取的难度不大。

![普通爬虫vs多线程爬虫vs框架爬虫，Python爬对比][vs_vs_Python 1]

根据标签提取其中的表情包url地址以及标题就可以了。

# 普通爬虫实现 #

import requests
    import parsel
    import re
    
    
    def change_title(title):
        pattern = re.compile(r"[\/\\\:\*\?\"\<\>\|]")  # '/ \ : * ? " < > |'
        new_title = re.sub(pattern, "_", title)  # 替换为下划线
        return new_title
    
    
    for page in range(0, 201):
        url = f'https://www.fabiaoqing.com/biaoqing/lists/page/{page}.html'
        headers = {
            'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
        }
        response = requests.get(url=url, headers=headers)
        selector = parsel.Selector(response.text)
        divs = selector.css('.tagbqppdiv')
        for div in divs:
            img_url = div.css('a img::attr(data-original)').get()
            title_ = img_url.split('.')[-1]
            title = div.css('a img::attr(title)').get()
            new_title = change_title(title) + title_
            img_content = requests.get(url=img_url, headers=headers).content
            path = 'img\\' + new_title
            with open(path, mode='wb') as f:
                f.write(img_content)
                print(title)

**代码简单的说明：**

**1，标题的替换**，因为有一些图片的标题，其中会包含特殊字符，在创建文件的时候特殊字符是不能命名的，所以需要使用正则把有可能出现的特殊字符替换掉。

divs = selector.css('.tagbqppdiv')
        for div in divs:
            img_url = div.css('a img::attr(data-original)').get()
            title_ = img_url.split('.')[-1]
            title = div.css('a img::attr(title)').get()
            new_title = change_title(title) + title_

**2，翻页爬取以及模拟浏览器请求网页**

img_content = requests.get(url=img_url, headers=headers).content
            path = 'img\\' + new_title
            with open(path, mode='wb') as f:
                f.write(img_content)
                print(title)

翻页多点击下一页看一下url地址的变化就可以找到相对应规律了，网站是get请求方式，使用请求请求网页即可，加上标题请求头，伪装浏览器请求，如果不加，网站会识别出你是python爬虫程序请求访问的，不过对于这个网站，其实加不加都差不多的。

**3，解析数据提取想要的数据**

这里我们使用的是parsel解析库，用的是css选择器解析的数据。

就是根据标签属性提取相对应的数据内容。

**4，保存数据**

请求表情包url地址，返回获取内容二进制数据，图片，视频，文件等等都是二进制数据保存的。如果是文字则是text。

path就是文件保存的路径，因为是二进制数据，所以保存方式是wb。

# 多线程爬虫实现 #

import requests
    import parsel
    import re
    import concurrent.futures
    
    
    def get_response(html_url):
        """模拟浏览器请求网址，获得网页源代码"""
        headers = {
            'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
        }
        response = requests.get(url=html_url, headers=headers)
        return response
    
    
    def change_title(title):
        """正则匹配特殊字符标题"""
        pattern = re.compile(r"[\/\\\:\*\?\"\<\>\|]")  # '/ \ : * ? " < > |'
        new_title = re.sub(pattern, "_", title)  # 替换为下划线
        return new_title
    
    
    def save(img_url, title):
        """保存表情到本地文件"""
        img_content = get_response(img_url).content
        path = 'img\\' + title
        with open(path, mode='wb') as f:
            f.write(img_content)
            print(title)
    
    
    def main(html_url):
        """主函数"""
        response = get_response(html_url)
        selector = parsel.Selector(response.text)
        divs = selector.css('.tagbqppdiv')
        for div in divs:
            img_url = div.css('a img::attr(data-original)').get()
            title_ = img_url.split('.')[-1]
            title = div.css('a img::attr(title)').get()
            new_title = change_title(title) + title_
            save(img_url, new_title)
    
    
    if __name__ == '__main__':
        executor = concurrent.futures.ThreadPoolExecutor(max_workers=5)
        for page in range(0, 201):
            url = f'https://www.fabiaoqing.com/biaoqing/lists/page/{page}.html'
            executor.submit(main, url)
        executor.shutdown()

**简单的代码说明：**

其实在前文已经有铺垫了，多线程爬虫就是把每一块都封装成函数，让它每一块代码都有它的作用，然后通过线程模块启动就好。

executor = concurrent.futures.ThreadPoolExecutor(max_workers=5)

最大的线程数

# scrapy框架爬虫实现 #

关于scrapy框架项目的创建这里只是不过多讲了，之前文章有详细讲解过，scrapy框架项目的创建，可以**点击下方链接查看**

简单使用scrapy爬虫框架批量采集网站数据

**items.py**

import scrapy
    
    from ..items import BiaoqingbaoItem
    
    
    class BiaoqingSpider(scrapy.Spider):
        name = 'biaoqing'
        allowed_domains = ['fabiaoqing.com']
        start_urls = [f'https://www.fabiaoqing.com/biaoqing/lists/page/{page}.html' for page in range(1, 201)]
    
        def parse(self, response):
            divs = response.css('#bqb div.ui.segment.imghover div')
            for div in divs:
                img_url = div.css('a img::attr(data-original)').get()
                title = div.css('a img::attr(title)').get()
                yield BiaoqingbaoItem(img_url=img_url, title=title)

**middlewares.py**

BOT_NAME = 'biaoqingbao'
    
    SPIDER_MODULES = ['biaoqingbao.spiders']
    NEWSPIDER_MODULE = 'biaoqingbao.spiders'
    
    DOWNLOADER_MIDDLEWARES = {
       'biaoqingbao.middlewares.BiaoqingbaoDownloaderMiddleware': 543,
    }
    ITEM_PIPELINES = {
       'biaoqingbao.pipelines.DownloadPicturePipeline': 300,
    }
    IMAGES_STORE = './images'

**pipelines.py**

**setting.py**

**标清**

# 简单总结： #

三个程序的最大的区别就在于在于爬取速度的相对，但是如果从写代码的时间上面来计算的话，普通是最简单的，因为对于这样的静态网站根本不需要调试，可以从头写到位，加上空格一共也就是29行的代码。

[a2b6984089fbb14c9cf0ff607a09682a.png]: /images/20221119/004d3ebfe150468ea690119eeb6c53f7.png
[vs_vs_Python]: /images/20221119/22392b5bf9ea414b90b844893c97b2dd.png
[vs_vs_Python 1]: https://img-blog.csdnimg.cn/img_convert/e5cb4c1372ad3d18b3490f66b93bd223.png