【玩转Python系列【小白必看】Python多线程爬虫：下载表情包网站的图片

前言

本文主要介绍了使用Python编写的多线程爬虫程序，用于下载表情包网站上的图片。通过解析网页内容和使用XPath定位，可以获取到图片的URL，并将其保存到本地。

1. 导入模块和库

import requests
from lxml import etree
from threading import Thread
from queue import Queue
import ssl
ssl._create_default_https_context = ssl._create_unverified_context

1. import requests：导入requests库，它是一个用于发送HTTP请求的流行库，可以方便地进行网络通信。
2. from lxml import etree：从lxml库中导入etree模块，它用于处理XML数据，提供了一种灵活且高效的方式来解析和操作XML文档。
3. from threading import Thread：从threading库中导入Thread类，它用于创建并管理线程，可以实现多任务并发执行。
4. from queue import Queue：从queue库中导入Queue类，它是Python内置的线程安全的队列，用于在多线程环境下进行安全的数据交换。
5. import ssl：导入ssl库，它提供了用于操作SSL/TLS协议的函数，用于创建和配置安全套接字。
6. ssl._create_default_https_context = ssl._create_unverified_context：设置SSL上下文，将验证关闭，以允许使用不受信任的证书。

2. 定义函数 download_image(url, filepath)

def download_image(url, filepath):
    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36'}
    resp = requests.get(url, headers=headers)
    with open(filepath, 'wb') as f:
        f.write(resp.content)

1. headers定义了一个字典变量，其中包含了User-Agent头信息。User-Agent头部告诉服务器发送请求的客户端程序的类型和版本号。这里使用常见的浏览器User-Agent信息，以模拟浏览器行为。

2. resp = requests.get(url, headers=headers)发送GET请求到指定的URL，并传入了上面定义的headers。requests.get()返回一个Response对象，该对象包含服务器响应的内容和其他相关信息。

3. with open(filepath, 'wb') as f:打开指定的文件路径，使用二进制模式写入文件。'wb'表示以二进制写入模式打开文件。

4. f.write(resp.content)将从服务器响应中获得的原始二进制数据写入文件。resp.content获取响应的内容，其中包含了图像的二进制数据。

3. 定义函数 get_page()

def get_page():
    while not q.empty():
        url = q.get()
        resp = requests.get(url)
        e = etree.HTML(resp.text)
        src_list = e.xpath('//div[@class="tagbqppdiv"]/a/img/@data-original')
        name_list = e.xpath('//div[@class="tagbqppdiv"]/a/img/@title')
        for src, name in zip(src_list, name_list):
            end = src.split('.')[-1]
            new_name = f'doutu/{name}.{end}'.replace('?', '')
            print(f'正在下载{new_name}')
            download_image(src, new_name)

1. while not q.empty(): 循环直到队列q为空。
2. url = q.get() 从队列q中取出一个元素，赋值给变量url。
3. resp = requests.get(url) 发送GET请求到指定的url，并返回Response对象，赋值给变量resp。
4. e = etree.HTML(resp.text) 使用etree.HTML()将获取到的响应文本转换成可进行XPath查询的ElementTree对象，赋值给变量e。
5. src_list = e.xpath('//div[@class="tagbqppdiv"]/a/img/@data-original') 使用XPath定位找到所有<div class="tagbqppdiv"><a><img>标签的data-original属性值，保存在列表src_list中。
6. name_list = e.xpath('//div[@class="tagbqppdiv"]/a/img/@title') 使用XPath定位找到所有<div class="tagbqppdiv"><a><img>标签的title属性值，保存在列表name_list中。
7. for src, name in zip(src_list, name_list): 遍历src_list和name_list中的元素，依次赋值给变量src和name。
8. end = src.split('.')[-1] 将src按照.进行分割，取最后一个元素作为文件扩展名，赋值给end变量。
9. new_name = f'doutu/{name}.{end}'.replace('?', '') 根据获取到的文件名、扩展名以及固定的目录路径，拼接成新的文件路径字符串。并且移除文件名中的问号字符（如果有的话）。
10. print(f'正在下载{new_name}') 打印提示信息，显示当前正在下载的文件名。
11. download_image(src, new_name) 调用download_image函数，下载并保存图片。

4. 主程序入口

if __name__ == "__main__":
    q = Queue()
    for i in range(1, 10):
        q.put(f'https://www.fabiaoqing.com/biaoqing/lists/page/{i}.html')

    for j in range(3):
        t = Thread(target=get_page)
        t.start()

1. q = Queue() 创建一个队列对象，用于存储要下载的网页URL。
2. 使用for循环将从1到9的数字作为参数拼接成网页URL，并将URL放入队列q中。
3. for j in range(3): 使用for循环创建3个线程。
4. t = Thread(target=get_page) 创建一个线程，目标函数是get_page函数。
5. t.start() 启动线程，开始执行get_page函数。

完整代码

import requests  # 导入requests库，用于发送HTTP请求
from lxml import etree  # 导入lxml库中的etree模块，用于处理和解析XML数据
from threading import Thread  # 导入threading库中的Thread类，用于创建线程
from queue import Queue  # 导入queue库中的Queue类，用于创建线程安全的队列
import ssl  # 导入ssl库，用于创建和配置安全套接字
ssl._create_default_https_context = ssl._create_unverified_context  # 设置SSL上下文，允许使用不受信任的证书

def download_image(url, filepath):
    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36'}  # 定义请求头部信息，模拟浏览器访问
    resp = requests.get(url, headers=headers)  # 发送GET请求到指定的URL，并传入请求头部信息
    with open(filepath, 'wb') as f:  # 使用二进制写入模式打开指定文件路径
        f.write(resp.content)  # 将响应内容的二进制数据写入文件

def get_page():
    while not q.empty():  # 当队列q不为空时循环执行以下操作
        url = q.get()  # 从队列q中获取一个元素，赋值给变量url
        resp = requests.get(url)  # 发送GET请求到指定的URL
        e = etree.HTML(resp.text)  # 将响应内容解析为可进行XPath查询的ElementTree对象，赋值给变量e
        src_list = e.xpath('//div[@class="tagbqppdiv"]/a/img/@data-original')  # 使用XPath定位找到所有满足条件的img标签的data-original属性值，返回一个列表
        name_list = e.xpath('//div[@class="tagbqppdiv"]/a/img/@title')  # 使用XPath定位找到所有满足条件的img标签的title属性值，返回一个列表
        for src, name in zip(src_list, name_list):  # 使用zip函数将src_list和name_list中的元素逐个配对
            end = src.split('.')[-1]  # 将src按照'.'进行分割，并取最后一个元素作为文件扩展名，赋值给变量end
            new_name = f'doutu/{name}.{end}'.replace('?', '')  # 根据获取到的文件名、扩展名以及固定的目录路径，拼接成新的文件路径字符串，并移除文件名中的问号字符（如果有的话）
            print(f'正在下载{new_name}')  # 打印提示信息，显示当前正在下载的文件名
            download_image(src, new_name)  # 调用download_image函数，下载并保存图片

if __name__ == "__main__":
    q = Queue()  # 创建一个线程安全的队列对象
    for i in range(1, 10):
        q.put(f'https://www.fabiaoqing.com/biaoqing/lists/page/{i}.html')  # 将拼接好的URL放入队列q中，用于存储要下载的网页URL

    for j in range(3):  # 循环3次
        t = Thread(target=get_page)  # 创建一个线程，目标函数是get_page函数
        t.start()  # 启动线程，开始执行get_page函数

结束语

多线程爬虫是一种高效的爬取网页内容的方式，在对大量图片进行下载时尤为有效。本文提供了一个简单的实例，展示了如何使用Python的requests、lxml和threading库编写多线程爬虫程序。 通过前言和代码实例，读者可以学习到如何导入必要的模块和库、定义下载图片函数、创建线程以及使用队列进行任务分配。 希望本文能够对读者理解和使用多线程爬虫程序提供一些帮助。