多线程下载图片
爬虫项目介绍
本次爬虫项目将爬取豆瓣Top250电影的图片,其网址为:https://movie.douban.com/top250, 具体页面如下图所示:
![](https://img2018.cnblogs.com/blog/1554973/201908/1554973-20190829171420138-1813910028.png)
本次爬虫项目将分别不使用多线程和使用多线程来完成,通过两者的对比,显示出多线程在爬虫项目中的巨大优势。本文所使用的多线程用到了concurrent.futures模块,该模块是Python中最广为使用的并发库,它可以非常方便地将任务并行化。在concurrent.futures模块中,共有两种并发模块,分别如下:
- 多线程模式:ThreadPoolExecutor,适合 IO密集型任务;
- 多进程模式:ProcessPoolExecutor,适合计算密集型任务。
具体的关于该模块的介绍可以参考其官方网址:https://docs.python.org/3/library/concurrent.futures.html 。
本次爬虫项目将会用到concurrent.futures模块中的ThreadPoolExecutor类,多线程下载豆瓣Top250电影图片。下面将会给出本次爬虫项目分别不使用多线程和使用多线程的对比,以此来展示多线程在爬虫中的巨大优势。
不使用多线程
首先,我们不使用多线程来下载豆瓣Top250电影图片,其完整的Python代码如下:
import time import requests import urllib.request from bs4 import BeautifulSoup # 该函数用于下载图片 # 传入函数: 网页的网址url def download_picture(url): # 获取网页的源代码 r = requests.get(url) # 利用BeautifulSoup将获取到的文本解析成HTML soup = BeautifulSoup(r.text, "lxml") # 获取网页中的电影图片 content = soup.find('div', class_='article') images = content.find_all('img') # 获取电影图片的名称和下载地址 picture_name_list = [image['alt'] for image in images] picture_link_list = [image['src'] for image in images] # 利用urllib.request..urlretrieve正式下载图片 for picture_name, picture_link in zip(picture_name_list, picture_link_list): urllib.request.urlretrieve(picture_link, 'D://douban/%s.jpg' % picture_name) def main(): # 全部10个网页 start_urls = ["https://movie.douban.com/top250"] for i in range(1, 10): start_urls.append("https://movie.douban.com/top250?start=%d&filter=" % (25 * i)) # 统计该爬虫的消耗时间 t1 = time.time() print('*' * 50) for url in start_urls: download_picture(url) t2 = time.time() print('不使用多线程,总共耗时:%s'%(t2-t1)) print('*' * 50) main()
其输出结果如下:
![](https://img2018.cnblogs.com/blog/1554973/201908/1554973-20190829171855043-1796954937.png)
去D盘中的douban文件夹查看,如下图:
![](https://img2018.cnblogs.com/blog/1554973/201908/1554973-20190829171841500-1027121582.png)
我们可以看到,在不使用多线程的情况下,这个爬虫总共耗时约80s,完成了豆瓣Top250电影图片的下载。
使用多线程
接下来,我们使用多线程来下载豆瓣Top250电影图片,其完整的Python代码如下:
import time import requests import urllib.request from bs4 import BeautifulSoup from concurrent.futures import ThreadPoolExecutor, wait, ALL_COMPLETED # 该函数用于下载图片 # 传入函数: 网页的网址url def download_picture(url): # 获取网页的源代码 r = requests.get(url) # 利用BeautifulSoup将获取到的文本解析成HTML soup = BeautifulSoup(r.text, "lxml") # 获取网页中的电影图片 content = soup.find('div', class_='article') images = content.find_all('img') # 获取电影图片的名称和下载地址 picture_name_list = [image['alt'] for image in images] picture_link_list = [image['src'] for image in images] # 利用urllib.request..urlretrieve正式下载图片 for picture_name, picture_link in zip(picture_name_list, picture_link_list): urllib.request.urlretrieve(picture_link, 'D://豆瓣/%s.jpg' % picture_name) def main(): # 全部10个网页 start_urls = ["https://movie.douban.com/top250"] for i in range(1, 10): start_urls.append("https://movie.douban.com/top250?start=%d&filter=" % (25 * i)) # 统计该爬虫的消耗时间 print('*' * 50) t3 = time.time() # 利用并发下载电影图片 executor = ThreadPoolExecutor(max_workers=10) # 可以自己调整max_workers,即线程的个数 # submit()的参数: 第一个为函数, 之后为该函数的传入参数,允许有多个 future_tasks = [executor.submit(download_picture, url) for url in start_urls] # 等待所有的线程完成,才进入后续的执行 wait(future_tasks, return_when=ALL_COMPLETED) t4 = time.time() print('使用多线程,总共耗时:%s' % (t4 - t3)) print('*' * 50) main()
其输出结果如下:
![](https://img2018.cnblogs.com/blog/1554973/201908/1554973-20190829172043229-408343339.png)
再去D盘中的douban文件夹查看,发现同样也下载了250张电影图片。
若使用多进程爬取,则时间更短,如下:
总结
通过上述两个爬虫程序的对比,我们不难发现,同样是下载豆瓣Top250电影,10个网页中的图片,在没有使用多线程的情况下,总共耗时约80s,而在使用多线程(10个线程)的情况下,总共耗时约9.5秒,效率整整提高了约8倍。这样的效率提升在爬虫中无疑是令人兴奋的。