Python多进程方式抓取基金网站内容的方法分析
2019-07-24 09:28:57来源:博客园 阅读 ()
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] for x in range(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?
def getData(start, end): for x in range(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(lambda driver: driver.find_element_by_id("pager") \ .find_element_by_xpath("span[@value={0} and @class!='end page']".format(x)) \ .get_attribute("class").find("at") != -1) # 保存抓取到的html内容 # 保存到html目录下 with open("./htmls/{0}.txt".format(x),"wb") as f: 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 def getData(myrange): for x in myrange: # 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(lambda driver: driver.find_element_by_id("pager") \ .find_element_by_xpath("span[@value={0} and @class!='end page']".format(x)) \ .get_attribute("class").find("at") != -1) # 保存抓取到的html内容 # 保存到html目录下 with open("./htmls/{0}.txt".format(x),"wb") as f: 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] for x in range(0,len(r),step)] # 把页面分段 # 创建进程 processList = [] if __name__ == "__main__": for r in myList: p = Process(target=getData,args=(r,)) processList.append(p) # 开始执行进程 for p in processList: 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:
from selenium import webdriver from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions from multiprocessing import Process 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 def getData(myrange): for x in myrange: # 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(lambda driver: driver.find_element_by_id("pager") \ .find_element_by_xpath("span[@value={0} and @class!='end page']".format(x)) \ .get_attribute("class").find("at") != -1) # 保存抓取到的html内容 # 保存到html目录下 with open("./htmls/{0}.txt".format(x),"wb") as f: 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] for x in range(0,len(r),step)] # 把页面分段 # 创建进程 processList = [] if __name__ == "__main__": for r in myList: p = Process(target=getData,args=(r,)) processList.append(p) # 开始执行进程 for p in processList: p.start()
原文链接:https://www.cnblogs.com/Pythonmiss/p/11228184.html
如有疑问请与原作者联系
标签:
版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点,本站所提供的摄影照片,插画,设计作品,如需使用,请与原作者联系,版权归原作者所有
上一篇:tcp服务端无线为多个客户端服务
- python3基础之“术语表(2)” 2019-08-13
- python3 之 字符串编码小结(Unicode、utf-8、gbk、gb2312等 2019-08-13
- Python3安装impala 2019-08-13
- 小白如何入门 Python 爬虫? 2019-08-13
- python_字符串方法 2019-08-13
IDC资讯: 主机资讯 注册资讯 托管资讯 vps资讯 网站建设
网站运营: 建站经验 策划盈利 搜索优化 网站推广 免费资源
网络编程: Asp.Net编程 Asp编程 Php编程 Xml编程 Access Mssql Mysql 其它
服务器技术: Web服务器 Ftp服务器 Mail服务器 Dns服务器 安全防护
软件技巧: 其它软件 Word Excel Powerpoint Ghost Vista QQ空间 QQ FlashGet 迅雷
网页制作: FrontPages Dreamweaver Javascript css photoshop fireworks Flash