1、鏈接mongodbhtml
一、 設置數據庫 client=pymongo.MongoClient(‘localhost’)python
二、 db=client[‘lagou’]設置鏈接的數據庫名稱mongodb
POSITION_NAME=’’ 、PAGE_SUM 、PAGE_SIZE 等爲你設置的變量名稱。
三、DATA_NAME=’dataposition’ # # 指定數據庫的名字
四、設置保存在mongo數據庫中的數據：
def save_to_mongo(data):
if db[DATA_NAME].update({'positionId': data['positionId']}, {'$set': data}, True):
print('Saved to Mongo', data['positionId'])
else:
print('Saved to Mongo Failed', data['positionId'])
這是以positionId爲惟一標識，若是數據庫裏面已經存在有positionId,說明數據已經爬過了，再也不更新。
2、多進程設置和使用：
一、導入多進程：from multiprocessing import Pool
導入時間 import time
二、start_time = time.time()
pool = Pool() # pool()參數：進程個數：默認的是電腦cpu的核的個數，若是要指定進程個數，這個進程個數要小於等於cpu的核數
# 第一個參數是一個函數體，不須要加括號，也不需指定參數。。
# 第二個參數是一個列表，列表中的每一個參數都會傳給那個函數體
pool.map(to_mongo_pool,[i for i in range(PAGE_SUM)])
# close它只是把進程池關閉
pool.close()
# join起到一個阻塞的做用，主進程要等待子進程運行完，才能接着往下運行
pool.join()
end_time = time.time()
print("總耗費時間%.2f秒" % (end_time - start_time))
to_mongo_pool:這個函數要設計好，就一個參數就夠了，而後把它的參數放在列表裏面，經過map高階函數一次傳給to_mongo_pool數據庫
多線程的使用：多線程
多線程要配合隊列使用：app
# coding=utf-8函數
import requests
from lxml import etree
import threading 導入線程
from queue import Queue 導入隊列
# https://docs.python.org/3/library/queue.html#module-queu
# 隊列使用方法簡介
# q.qsize() 返回隊列的大小
# q.empty() 若是隊列爲空，返回True,反之False
# q.full() 若是隊列滿了，返回True,反之False
# q.full 與 maxsize 大小對應
# q.get([block[, timeout]]) 獲取隊列，timeout等待時間
# q.get_nowait() 至關q.get(False)
# q.put(item) 寫入隊列，timeout等待時間
# q.put_nowait(item) 至關q.put(item, False)
# q.task_done() 在完成一項工做以後，q.task_done() 函數向任務已經完成的隊列發送一個信號
# q.join() 實際上意味着等到隊列爲空，再執行別的操做
class Lianjia:
def __init__(self):
self.url_temp = url = "https://gz.lianjia.com/ershoufang/pg{}/"
self.headers = {
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36"}
self.url_queue = Queue()
self.html_queue = Queue()
self.content_queue = Queue()
def get_url_list(self):
# return [self.url_temp.format(i) for i in range(1,14)]
for i in range(1, 14):
# 把13個索引頁面的Url放進url_queue隊列裏
self.url_queue.put(self.url_temp.format(i))
定義運行函數url
def run(self): # 實現主要邏輯
thread_list = []
# 1.url_list
# threading.Thread不須要傳參數，參數都是從隊列裏面取得
t_url = threading.Thread(target=self.get_url_list)
thread_list.append(t_url)
# 2.遍歷，發送請求，獲取響應
for i in range(20): # 添加20個線程
t_parse = threading.Thread(target=self.parse_url)
thread_list.append(t_parse)
# 3.提取數據
for i in range(2): # 添加2個線程
t_html = threading.Thread(target=self.get_content_list)
thread_list.append(t_html)
# 4.保存
t_save = threading.Thread(target=self.save_content_list)
thread_list.append(t_save)
for t in thread_list:
t.setDaemon(True) # 把子線程設置爲守護線程，該線程不重要，主線程結束，子線程結束(子線程是while true不會本身結束)
t.start()
for q in [self.url_queue, self.html_queue, self.content_queue]:
q.join() # 讓主線程等待阻塞，等待隊列的任務完成（即隊列爲空時 ）以後再進行主線程
print("主線程結束")