python爬虫之进程池爬虫(世纪佳缘案例)

from multiprocessing import Process,Queue
import requests
import re
from lxml.html import etree
 import json
import time
from concurrent.futures import ProcessPoolExecutor

def down_load_page_data(req_url):
pattern = re.compile('.*?page=(\d+).*?city_id=(\d+).*?shop_id=(\d+)')
result = re.findall(pattern, req_url)[0]
DATE_SHOW_LOC = result[1]
DATE_SHOW_SHOP = result[2]

response = download_data(req_url,DATE_SHOW_LOC,DATE_SHOW_SHOP)

if response.status_code == 200:
    # print(result)
    current_page = int(result[0])
    if current_page == 1:
        data = {'page':current_page,'data':response.text}
        with open(str(result[1])+'.html','w') as file:
            file.write(response.text)

        next_page = re.sub('page=\d+', 'page=' + str(current_page + 1), response.url)
        print('正在获取第'+str(current_page+1)+'页',DATE_SHOW_LOC,DATE_SHOW_SHOP)

    else:
        data = {'page':current_page, 'data': response.text}

    if current_page !=1:
        if isinstance(json.loads(response.text),list):
            next_page = re.sub('page=\d+','page='+str(current_page+1),response.url)
            print('正在获取第' + str(current_page+1) + '页', DATE_SHOW_LOC, DATE_SHOW_SHOP)
        else:
            next_page = None
            print(response.text)
            print('已获取到' + str(current_page) + '页','没有数据了',DATE_SHOW_LOC, DATE_SHOW_SHOP)

    return data,next_page

  def parse_data(futures):
# print('正在解析数据')
data = futures.result()[0]
next_page = futures.result()[1]
if next_page:
    handler = download_page_pool.submit(down_load_page_data,next_page)
    handler.add_done_callback(parse_data)

if data['page'] == 1:
    print('解析第一页数据')
    html_element = etree.HTML(data['data'])
    hot_active = html_element.xpath('//div[@class="hot_detail fn-clear"]')

    download_detail_pool = ProcessPoolExecutor(2)
    for hot_div in hot_active:
        # 活动详情的url地址
        full_detail_url = 'http://date.jiayuan.com' + hot_div.xpath('.//h2[@class="hot_title"]/a/@href')[0]
        handler = download_detail_pool.submit(download_data,full_detail_url)
        handler.add_done_callback(parse_detail_data)

    more_active = html_element.xpath('//ul[@class="review_detail fn-clear t-activiUl"]/li')
    for more_li in more_active:
        # 活动详情的url地址
        full_detail_url = 'http://date.jiayuan.com' + more_li.xpath('.//a[@class="review_link"]/@href')[0]
        handler = download_detail_pool.submit(download_data, full_detail_url)
        handler.add_done_callback(parse_detail_data)
    download_detail_pool.shutdown()

else:
    # 获取到url中的相关参数(上一次请求的页码,城市id,地区id)
    print('解析其他页面数据', data['page'])
    data = json.loads(data['data'])
    if isinstance(data, list):
        # 是列表,说明得到的是正确的数据,
        download_detail_pool = ProcessPoolExecutor(2)
        for sub_dict in data:
            id = sub_dict['id']
            full_detail_url = 'http://date.jiayuan.com/activityreviewdetail.php?id=%s' % id
            handler = download_detail_pool.submit(download_data, full_detail_url)
            handler.add_done_callback(parse_detail_data)
        download_detail_pool.shutdown()

  def download_data(req_url,DATE_SHOW_LOC=None,DATE_SHOW_SHOP=None):
"""
下载器,执行任务的下载
"""
if DATE_SHOW_LOC and DATE_SHOW_SHOP:
    cookie = '_gscu_1380850711=43812116hs5dyy11; accessID=20181222071935501079; PHPSESSID=b59c131c44e32d744ab8ad3bb6e27a45; plat=date_pc; uv_flag=223.72.78.37; user_access=1; DATE_SHOW_LOC=%s; DATE_SHOW_SHOP=%s' % (DATE_SHOW_LOC,DATE_SHOW_SHOP)
else:
    cookie = '_gscu_1380850711=43812116hs5dyy11; accessID=20181222071935501079; PHPSESSID=b59c131c44e32d744ab8ad3bb6e27a45; plat=date_pc; uv_flag=223.72.78.37; user_access=1; DATE_SHOW_LOC=4201; DATE_SHOW_SHOP=33'
req_header = {
    'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',
    'Cookie': cookie,
    'Referer': 'http://date.jiayuan.com/eventslist.php',
}
response = requests.get(req_url, headers=req_header)

if response.status_code == 200:
    print(response.url)
    return response

  def parse_detail_data(futures):
response = futures.result()
html_element = etree.HTML(response.text)

with open('detail.html','w') as file:
    file.write(response.text)
#创建一个字典,存放获取的数据
item = {}
# 活动标题
item['title'] = ''.join(html_element.xpath('//h1[@class="detail_title"]/text()')[0])
# 活动时间
item['time'] = ','.join(html_element.xpath('//div[@class="detail_right fn-left"]/ul[@class="detail_info"]/li[1]//text()')[0])
# 活动地址
item['adress'] = html_element.xpath('//ul[@class="detail_info"]/li[2]/text()')[0]
# 参加人数
item['joinnum'] = html_element.xpath('//ul[@class="detail_info"]/li[3]/span[1]/text()')[0]
# 预约人数
item['yuyue'] = html_element.xpath('//ul[@class="detail_info"]/li[3]/span[2]/text()')[0]
# 介绍
item['intreduces'] = html_element.xpath('//div[@class="detail_act fn-clear"][1]//p[@class="info_word"]/span[1]/text()')[0]
# 提示
item['point'] = html_element.xpath('//div[@class="detail_act fn-clear"][2]//p[@class="info_word"]/text()')[0]
# 体验店介绍
item['introductionStore'] = ''.join(html_element.xpath('//div[@class="detail_act fn-clear"][3]//p[@class="info_word"]/text()'))
# 图片连接
item['coverImage'] = html_element.xpath('//div[@class="detail_left fn-left"]/img/@data-original')[0]
# print(item['title'],item['adress'],item['time'])
# print(item)

with open('huodong.json','a+') as file:
    json_str = json.dumps(item,ensure_ascii=False) + '\n'
    file.write(json_str)


  if __name__ == '__main__':

#设置任务队列
# 'http://date.jiayuan.com/eventslist_new.php?page=1&city_id=31&shop_id=15',
# # 湖北武汉地区的活动url接口
# 'http://date.jiayuan.com/eventslist_new.php?page=1&city_id=4201&shop_id=33',

# taskQueue.put('http://date.jiayuan.com/eventslist_new.php?page=1&city_id=31&shop_id=15')
# taskQueue.put('http://date.jiayuan.com/eventslist_new.php?page=1&city_id=4201&shop_id=33')
# taskQueue.put('http://date.jiayuan.com/eventslist_new.php?page=1&city_id=1501&shop_id=51')
download_page_pool = ProcessPoolExecutor(4)
# download_detail_pool = ProcessPoolExecutor(4)
start_urls = [
    'http://date.jiayuan.com/eventslist_new.php?page=1&city_id=31&shop_id=15',
    'http://date.jiayuan.com/eventslist_new.php?page=1&city_id=4201&shop_id=33',
    'http://date.jiayuan.com/eventslist_new.php?page=1&city_id=1501&shop_id=51',
]

for url in start_urls:
    handler = download_page_pool.submit(down_load_page_data,url)
    handler.add_done_callback(parse_data)
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 217,734评论 6 505
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,931评论 3 394
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 164,133评论 0 354
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,532评论 1 293
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,585评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,462评论 1 302
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,262评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,153评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,587评论 1 314
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,792评论 3 336
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,919评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,635评论 5 345
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,237评论 3 329
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,855评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,983评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,048评论 3 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,864评论 2 354

推荐阅读更多精彩内容