qidao123.com技术社区-IT企服评测·应用市场

标题: 爬虫项目之利用多线程爬取4K桌面网站壁纸 [打印本页]

---

作者: 没腿的鸟    时间: 2025-4-19 10:45
标题: 爬虫项目之利用多线程爬取4K桌面网站壁纸
爬虫项目之利用多线程爬取4K桌面网站美女壁纸

这次的目的网址是：https://www.bizhi888.com/e/sch/index.php?page=0&keyboard=美女&field=2&sear=1

思绪：由于这次搜索的目的网页是分页式的，以是采用requests+lxml技能爬取数据。但是这次的网站图片数据累计4296张图片，如果采用单线程爬取这些数据，那么爬完所有数据将多花费一些时间，而如果采用多线程ThreadPoolExecutor技能，那么爬取数据的速度将会大大提高。

下面是目的网页

第一步：将所有页面的url链接封装成一个集合

由于所有页面的的url链接只有一个参数不同，所有采用循环的方式，将其封装成一个列表url_list并返回。

1. def create_urls():
2.     url_list =[]
3.     url = 'https://www.bizhi888.com/e/sch/index.php?page=0&keyboard=%E7%BE%8E%E5%A5%B3&field=2&sear=1'
5.     #共计120页图片
6.     for page in range(10,120):
7.         url = f'https://www.bizhi888.com/e/sch/index.php?page={page}&keyboard=%E7%BE%8E%E5%A5%B3&field=2&sear=1'
8.         url_list.append(url)
9.     return url_list

复制代码

第二步：封装好下载图片功能

img_url_dict是一个字典，键是图片的名字，值是图片的url，这样封装好后，方便后面的调用。

1. def download_img(img_url_dict):
2.     if os.path.exists(f'./img')==False:
3.         os.makedirs(f'./img')
4.     for key in img_url_dict:
5.         resp = requests.get(img_url_dict[key],headers=header)
6.         with open(f'./img/{key}','wb') as f:
7.             f.write(resp.content)
8.         f.close()

复制代码

第三步：编写爬虫程序

下面是爬虫模块，其中将图片的src链接中的newpc202302替换成lan20221010，可以提高图片的清晰度，只管最终得到的图片依然不是4K高清的，但已经较为清晰。

1. #爬虫模块
2. def spider(url):
3.     #数据字典
4.     img_url_dict = {}
5.     #爬取网页源代码
6.     resp = requests.get(url,headers=header)
7.     resp.encoding='utf8'
8.     #使用etree解析源码
9.     html = etree.HTML(resp.text)
10.     #找到所有图片的标签
11.     a_list = html.xpath('/html/body/div[4]/a')
12.     for a in a_list:
13.         #获取图片的src
14.         img_src = a.xpath('img/@data-original')[0]
15.         #将src链接中的newpc202302替换成lan20221010，则提高图片的清晰度
16.         img_url = img_src.replace('newpc202302','lan20221010')
17.         #取链接最后15位为图片的名字
18.         img_name = img_url[-15:]
19.         #将name和url添加进集合
20.         img_url_dict[img_name] = img_url
21.     #下载图片   
22.     download_img(img_url_dict)
23.     #爬完一页后打印到控制台
24.     global page
25.     print(f'第{page}页数据爬取完成！')
26.     page+=1

复制代码

第四步：执行程序

利用ThreadPoolExecutor函数，开五个线程同时爬取网页图片

1. if __name__ == '__main__':
2.     #创建url列表
3.     url_list = create_urls()
5.     #使用多线程爬取网页数据
6.     with ThreadPoolExecutor(5) as t:
7.         for url in url_list:
8.             t.submit(spider(url))

复制代码

最后是网页源代码

1. import requestsfrom lxml import etreeimport osfrom concurrent.futures import ThreadPoolExecutorheader = {    'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/137.0.0.0 Safari/537.36 Edg/137.0.0.0'}page=1# 将需要的网页网址加入到url_list列表，方便后面多线程爬取def create_urls():
2.     url_list =[]
3.     url = 'https://www.bizhi888.com/e/sch/index.php?page=0&keyboard=%E7%BE%8E%E5%A5%B3&field=2&sear=1'
5.     #共计120页图片
6.     for page in range(10,120):
7.         url = f'https://www.bizhi888.com/e/sch/index.php?page={page}&keyboard=%E7%BE%8E%E5%A5%B3&field=2&sear=1'
8.         url_list.append(url)
9.     return url_list#爬虫模块def spider(url):    #数据字典    img_url_dict = {}    #爬取网页源代码    resp = requests.get(url,headers=header)    resp.encoding='utf8'    #利用etree解析源码    html = etree.HTML(resp.text)    #找到所有图片的标签    a_list = html.xpath('/html/body/div[4]/a')    for a in a_list:        #获取图片的src        img_src = a.xpath('img/@data-original')[0]        #将src链接中的newpc202302替换成lan20221010，则提高图片的清晰度        img_url = img_src.replace('newpc202302','lan20221010')        #取链接最后15位为图片的名字        img_name = img_url[-15:]        #将name和url添加进集合        img_url_dict[img_name] = img_url    #下载图片    download_img(img_url_dict)    #爬完一页后打印到控制台    global page    print(f'第{page}页数据爬取完成！')    page+=1def download_img(img_url_dict):    if os.path.exists('./img')==False:        os.makedirs('./img')    for key in img_url_dict:        resp = requests.get(img_url_dict[key],headers=header)        with open('./img/{key}','wb') as f:            f.write(resp.content)        f.close()if __name__ == '__main__':
10.     #创建url列表
11.     url_list = create_urls()
13.     #使用多线程爬取网页数据
14.     with ThreadPoolExecutor(5) as t:
15.         for url in url_list:
16.             t.submit(spider(url))

复制代码

下面让我们看结果

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

---

欢迎光临 qidao123.com技术社区-IT企服评测·应用市场 (https://dis.qidao123.com/)

Powered by Discuz! X3.4