多线程Beatiful Soup爬取斗鱼所有在线主播的信息
2021-07-09 02:15
标签：mic user ext 地址 soup ima else color direct 最近看了个爬虫的教程，想着自己也常在斗鱼看直播，不如就拿它来练练手。于是就写了个爬取斗鱼所有在线主播的信息，分别为类别、主播ID、房间标题、人气值、房间地址。 需要用到的工具python3下的bs4，requests，pymongo。我用的IDE是pycharm，感觉这个软件实在太强大，有点离开它什么都不会的感觉，数据库Mongodb，结合pycharm工具可以直接在右侧显示数据。 本来没想用类来写的，后来发现很多数据传来传去很乱，而且重要的数据存储时间不好统一，于是就写在一个类里了。里面很关键的一点，用select模块选取元素路径，如下图。 复制出来的是很长的一段路径，可以慢慢观察选取主要的关键字段就好了。 然后新建一个py文件用来调用之前写好的类，实例化后，用pool多线程运行，结果就出来了。 来个运行后的全景图。 多线程Beatiful Soup爬取斗鱼所有在线主播的信息 标签：mic user ext 地址 soup ima else color direct 原文地址：https://www.cnblogs.com/lkd8477604/p/9568521.html#-*- coding:utf-8 -*-
from bs4 import BeautifulSoup
import requests, time ,datetime
import json
import pymongo
class douyu_host_info():
def __init__(self):
self.date_time = datetime.datetime.now().strftime(‘%Y-%m-%d_%H-%M‘)
self.host_url = ‘https://www.douyu.com‘
self.list_data = []
self.urls_list = []
self.headers = {
‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36‘,
}
def get_url(self):
#获取所有类别的网站地址
urls = ‘https://www.douyu.com/directory‘
data = requests.get(urls)
Soup = BeautifulSoup(data.text, ‘lxml‘)
list = Soup.select(‘.r-cont.column-cont dl dd ul li a‘)
for i in list:
urls = i.get(‘href‘)
self.urls_list.append(urls)
print (self.urls_list)
return self.urls_list
def get_info(self, url):
#查询所需信息并写调用写入数据库及本地磁盘的函数
time.sleep(1) #避免服务器承压过大，每个网站爬取设置1s间隔
url = self.host_url + url
print (‘Now start open {}‘.format(url))
get_data = requests.get(url, headers=self.headers)
Soup = BeautifulSoup(get_data.text, ‘lxml‘)
names = Soup.select(‘.ellipsis.fl‘)
nums = Soup.select(‘.dy-num.fr‘)
titles = Soup.select(‘.mes h3‘)
hrefs = Soup.select(‘#live-list-contentbox li a‘)
#网站中带directory时只是一个分类页面没有主播信息
if ‘directory‘ in url:
pass
#异常处理，有少数类别的HTML元素有差别，这里就舍弃了
try:
category = Soup.select(‘.listcustomize-topcon-msg h1‘)[0].get_text()
except:
category = ‘秩名类别‘
for name, num, href, title in zip(names, nums, hrefs, titles):
data = {
‘类别‘: category,
‘主播‘: name.get_text(),
‘标题‘: title.get_text().split(‘\n‘)[-1].strip(),
‘链接‘: ‘https://www.douyu.com‘ + href.get(‘href‘),
#把人气指数转换成以万为单位的浮点型，方便后面计算查找
‘人气指数‘: float(num.get_text()[:-1]) if ‘万‘in num.get_text() else float(num.get_text())/10000,
}
if data[‘人气指数‘] > 2:
print (data)
self.w_to_local(data)
self.w_to_db(data)
def open_data(self, date_time):
#需要用到时可以输入指定时间点读取本地保存的数据
with open(‘D:\douyu_host{}.csv‘.format(date_time), ‘r‘) as r_data:
r_data = json.load(r_data)
for i in r_data:
print (i)
def w_to_local(self,data):
#在将数据写入数据库的同时在本地磁盘保存一份
with open(‘D:\douyu_host{}.csv‘.format(self.date_time), ‘a‘) as w_data:
json.dump(data, w_data)
def w_to_db(self, data):
#将数据写入一个以时间为后缀的数据库表， data需要是字典格式
client = pymongo.MongoClient(‘localhost‘, 27017)
walden = client[‘walden_{}‘.format(self.date_time)]
sheet_tab = walden[‘sheet_tab‘]
if data is not None:
sheet_tab.insert_one(data)
def check_from_db(self, date_time):
#输入时间从数据库查询相关人气信息
client = pymongo.MongoClient(‘localhost‘, 27017)
walden = client[‘walden_{}‘.format(date_time)]
sheet_tab = walden[‘sheet_tab‘]
for data in sheet_tab.find({‘人气指数‘:{‘$gte‘:40}}):
print (data)
#-*- coding:utf-8 -*-
import time
from multiprocessing import Pool
from test0822 import douyu_host_info
douyu = douyu_host_info()
if __name__ == ‘__main__‘:
#多线程爬取数据
urls_list = douyu.get_url()
pool = Pool()
pool.map(douyu.get_info, urls_list)
文章标题：多线程Beatiful Soup爬取斗鱼所有在线主播的信息
文章链接：http://soscw.com/essay/102572.html