python利用多线程+队列技术爬取中介网互联网网站排行榜

目标站点分析

本次要抓取的目标站点为：中介网，这个网站提供了网站排行榜、互联网网站排行榜、中文网站排行榜等数据。

网站展示的样本数据量是 ：58341。

采集页面地址为 https://www.zhongjie.com/top/rank_all_1.html，

UI如下所示： 

 由于页面存在一个【尾页】超链接，所以直接通过该超链接获取累计页面即可。

其余页面遵循简单分页规则：

https://www.zhongjie.com/top/rank_all_1.html
https://www.zhongjie.com/top/rank_all_2.html

基于此，本次Python爬虫的解决方案如下，页面请求使用 requests 库，页面解析使用 lxml，多线程使用 threading 模块，队列依旧采用 queue 模块。

编码时间

在正式编码前，先通过一张图将逻辑进行梳理。

本爬虫编写步骤文字描述如下：

• 预先请求第一页，解析出总页码；

• 通过生产者不断获取域名详情页地址，添加到队列中；

• 消费者函数从队列获取详情页地址，解析目标数据。

总页码的生成代码非常简单

def get_total_page():
# get_headers() 函数，可参考开源代码分享数据
   res = requests.get(
       'https://www.zhongjie.com/top/rank_all_1.html', headers=get_headers(), timeout=5)
   element = etree.HTML(res.text)
   last_page = element.xpath("//a[@class='weiye']/@href")[0]
   pattern = re.compile('(\d+)')
   page = pattern.search(last_page)
   return int(page.group(1))

总页码生成完毕，就可以进行多线程相关编码，本案例未编写存储部分代码，留给你自行完成啦，

完整代码如下所示：

from queue import Queue
import time
import threading
import requests
from lxml import etree
import random
import re
def get_headers():
   uas = [
       "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)",
       "Mozilla/5.0 (compatible; Baiduspider-render/2.0; +http://www.baidu.com/search/spider.html)"
   ]
   ua = random.choice(uas)
   headers = {
       "user-agent": ua
   }
   return headers

def get_total_page():
   res = requests.get(
       'https://www.zhongjie.com/top/rank_all_1.html', headers=get_headers(), timeout=5)
   element = etree.HTML(res.text)
   last_page = element.xpath("//a[@class='weiye']/@href")[0]
   pattern = re.compile('(\d+)')
   page = pattern.search(last_page)
   return int(page.group(1))
# 生产者
def producer():
   while True:
       # 取一个分类ID
       url = urls.get()
       urls.task_done()
       if url is None:
           break
       res = requests.get(url=url, headers=get_headers(), timeout=5)
       text = res.text
       element = etree.HTML(text)
       links = element.xpath('//a[@class="copyright_title"]/@href')
       for i in links:
           wait_list_urls.put("https://www.zhongjie.com" + i)
# 消费者
def consumer():
   while True:
       url = wait_list_urls.get()
       wait_list_urls.task_done()
       if url is None:
           break
       res = requests.get(url=url, headers=get_headers(), timeout=5)
       text = res.text
       element = etree.HTML(text)
# 数据提取，更多数据提取，可自行编写 xpath
       title = element.xpath('//div[@class="info-head-l"]/h1/text()')
       link = element.xpath('//div[@class="info-head-l"]/p[1]/a/text()')
       description = element.xpath('//div[@class="info-head-l"]/p[2]/text()')
       print(title, link, description)
if __name__ == "__main__":
   # 初始化一个队列
   urls = Queue(maxsize=0)
   last_page = get_total_page()
   for p in range(1, last_page + 1):
       urls.put(f"https://www.zhongjie.com/top/rank_all_{p}.html")
   wait_list_urls = Queue(maxsize=0)
   # 开启2个生产者线程
   for p_in in range(1, 3):
       p = threading.Thread(target=producer)
       p.start()
   # 开启2个消费者线程
   for p_in in range(1, 2):
       p = threading.Thread(target=consumer)
       p.start()

来源：https://juejin.cn/post/7079964924385968135