今天將手把手教你使用線程池爬取同程旅行的景點(diǎn)信息及評(píng)論數(shù)據(jù)并做詞云、數(shù)據(jù)可視化?。?！帶你了解各個(gè)城市的游玩景點(diǎn)信息。

在開(kāi)始爬取數(shù)據(jù)之前，我們首先來(lái)了解一下線程。

線程

進(jìn)程 ：進(jìn)程是代碼在數(shù)據(jù)集合上的一次運(yùn)行活動(dòng)，是系統(tǒng)進(jìn)行資源分配和調(diào)度的基本單位。

線程 ：是輕量級(jí)的進(jìn)程，是程序執(zhí)行的最小單元，是進(jìn)程的一個(gè)執(zhí)行路徑。

一個(gè)進(jìn)程中至少有一個(gè)線程，進(jìn)程中的多個(gè)線程共享進(jìn)程的資源。

線程生命周期

在創(chuàng)建多線程之前，我們先來(lái)學(xué)習(xí)一下線程生命周期，如下圖所示：

由圖可知，線程可以分為五個(gè)狀態(tài)——新建、就緒、運(yùn)行、阻塞、終止。

首先新建一個(gè)線程并開(kāi)啟線程后線程進(jìn)入就緒狀態(tài)，就緒狀態(tài)的線程不會(huì)馬上運(yùn)行，要獲得CPU資源才會(huì)進(jìn)入運(yùn)行狀態(tài)，在進(jìn)入運(yùn)行狀態(tài)后，線程有可能會(huì)失去CPU資源或者遇到休眠、io操作（讀寫等操作）線程進(jìn)入就緒狀態(tài)或者阻塞狀態(tài)，要等休眠、io操作結(jié)束或者重新獲得CPU資源后，才會(huì)進(jìn)入運(yùn)行狀態(tài)，等到運(yùn)行完后進(jìn)入終止?fàn)顟B(tài)。

注意：新建線程系統(tǒng)是需要分配資源的，終止線程系統(tǒng)是需要回收資源的，那么如何減去新建/終止線程的系統(tǒng)開(kāi)銷呢，這時(shí)我們可以創(chuàng)建線程池來(lái)重用線程，這樣就可以減少系統(tǒng)的開(kāi)銷了。

在創(chuàng)建線程池之前，我們先來(lái)學(xué)習(xí)如何創(chuàng)建多線程。

創(chuàng)建多線程

創(chuàng)建多線程可以分為四步：

1. 創(chuàng)建函數(shù)；
2. 創(chuàng)建線程；
3. 啟動(dòng)線程；
4. 等待結(jié)束；

創(chuàng)建函數(shù)

為了方便演示，我們拿博客園的網(wǎng)頁(yè)做爬蟲(chóng)函數(shù)，具體代碼如下所示：

import requests
urls=[
    f'https://www.cnblogs.com/#p{page}'
    for page in range(1,50)
]
def get_parse(url):
    response=requests.get(url)
    print(url,len(response.text))

首先導(dǎo)入requests網(wǎng)絡(luò)請(qǐng)求庫(kù)，把我們所有的要爬取的URL保存在列表中，然后自定義函數(shù)get_parse來(lái)發(fā)送網(wǎng)絡(luò)請(qǐng)求、打印請(qǐng)求的URL和響應(yīng)的字符長(zhǎng)度。

創(chuàng)建線程

在上一步我們創(chuàng)建了爬蟲(chóng)函數(shù)，接下來(lái)將創(chuàng)建線程了，具體代碼如下所示：

import threading
#多線程
def multi_thread():
    threads=[]
    for url in urls:
        threads.append(
            threading.Thread(target=get_parse,args=(url,))
        )

首先我們導(dǎo)入threading模塊，自定義multi_thread函數(shù)，再創(chuàng)建一個(gè)空列表threads來(lái)存放線程任務(wù)，通過(guò)threading.Thread()方法來(lái)創(chuàng)建線程。其中：

• target為運(yùn)行函數(shù)；
• args為運(yùn)行函數(shù)所需的參數(shù)。

注意args中的參數(shù)要以元組的方式傳入，然后通過(guò).append()方法把線程添加到threads空列表中。

啟動(dòng)線程

線程已經(jīng)創(chuàng)建好了，接下來(lái)將啟動(dòng)線程了，啟動(dòng)線程很簡(jiǎn)單，具體代碼如下所示：

for thread in threads:
    thread.start()

首先我們通過(guò)for循環(huán)把threads列表中的線程任務(wù)獲取下來(lái)，通過(guò).start()來(lái)啟動(dòng)線程。

等待結(jié)束

啟動(dòng)線程后，接下來(lái)將等待線程結(jié)束，具體代碼如下所示：

for thread in threads:
    thread.join()

和啟動(dòng)線程一樣，先通過(guò)for循環(huán)把threads列表中的線程任務(wù)獲取下來(lái)，再使用.join()方法等待線程結(jié)束。

多線程已經(jīng)創(chuàng)建好了，接下來(lái)將測(cè)試一下多線程的速度如何，具體代碼如下所示：

if __name__ == '__main__':
 t1=time.time()
    multi_thread()
    t2=time.time()
    print(t2-t1)

運(yùn)行結(jié)果如下圖所示：

多線程爬取50個(gè)博客園網(wǎng)頁(yè)只要1秒多，而且多線程的發(fā)送網(wǎng)絡(luò)請(qǐng)求的URL是隨機(jī)的。

我們來(lái)測(cè)試一下單線程的運(yùn)行時(shí)間，具體代碼如下所示：

if __name__ == '__main__':
    t1=time.time()
    for i in urls:
        get_parse(i)
    t2=time.time()
    print(t2-t1)

運(yùn)行結(jié)果如下圖所示：

單線程爬取50個(gè)博客園網(wǎng)頁(yè)用了9秒多，單線程的發(fā)送網(wǎng)絡(luò)請(qǐng)求的URL是按順序的。

在上面我們說(shuō)了，新建線程系統(tǒng)是需要分配資源的，終止線程系統(tǒng)是需要回收資源的，為了減少系統(tǒng)的開(kāi)銷，我們可以創(chuàng)建線程池。

線程池原理

一個(gè)線程池由兩部分組成，如下圖所示：

• 線程池：里面提前建好N個(gè)線程，這些都會(huì)被重復(fù)利用；
• 任務(wù)隊(duì)列：當(dāng)有新任務(wù)的時(shí)候，會(huì)把任務(wù)放在任務(wù)隊(duì)列中。

當(dāng)任務(wù)隊(duì)列里有任務(wù)時(shí)，線程池的線程會(huì)從任務(wù)隊(duì)列中取出任務(wù)并執(zhí)行，執(zhí)行完任務(wù)后，線程會(huì)執(zhí)行下一個(gè)任務(wù)，直到?jīng)]有任務(wù)執(zhí)行后，線程會(huì)回到線程池中等待任務(wù)。

使用線程池可以處理突發(fā)性大量請(qǐng)求或需要大量線程完成任務(wù)（處理時(shí)間較短的任務(wù)）。

好了，了解了線程池原理后，我們開(kāi)始創(chuàng)建線程池。

線程池創(chuàng)建

Python提供了ThreadPoolExecutor類來(lái)創(chuàng)建線程池，其語(yǔ)法如下所示：

ThreadPoolExecutor(max_workers=None, thread_name_prefix='', initializer=None, initargs=())

其中：

• max_workers：最大線程數(shù)；
• thread_name_prefix：允許用戶控制由線程池創(chuàng)建的threading.Thread工作線程名稱以方便調(diào)試；
• initializer：是在每個(gè)工作者線程開(kāi)始處調(diào)用的一個(gè)可選可調(diào)用對(duì)象；
• initargs：傳遞給初始化器的元組參數(shù)。

注意：在啟動(dòng) max_workers 個(gè)工作線程之前也會(huì)重用空閑的工作線程。

在ThreadPoolExecutor類中提供了map()和submit()函數(shù)來(lái)插入任務(wù)隊(duì)列。其中：

map()函數(shù)

map()語(yǔ)法格式為：

map(調(diào)用方法,參數(shù)隊(duì)列)

具體示例如下所示：

import requestsimport concurrent.futuresimport timeurls=[    f'https://www.cnblogs.com/#p{page}'    for page in range(1,50)]def get_parse(url):    response=requests.get(url)    return response.textdef map_pool():    with concurrent.futures.ThreadPoolExecutor(max_workers=20) as pool:        htmls=pool.map(get_parse,urls)        htmls=list(zip(urls,htmls))        for url,html in htmls:            print(url,len(html))if __name__ == '__main__':    t1=time.time()    map_pool()    t2=time.time()    print(t2-t1)

首先我們導(dǎo)入requests網(wǎng)絡(luò)請(qǐng)求庫(kù)、concurrent.futures模塊，把所有的URL放在urls列表中，然后自定義get_parse()方法來(lái)返回網(wǎng)絡(luò)請(qǐng)求返回的數(shù)據(jù)，再自定義map_pool()方法來(lái)創(chuàng)建代理池，其中代理池的最大max_workers為20，調(diào)用map()方法把網(wǎng)絡(luò)請(qǐng)求任務(wù)放在任務(wù)隊(duì)列中，在把返回的數(shù)據(jù)和URL合并為元組，并放在htmls列表中。

運(yùn)行結(jié)果如下圖所示：

可以發(fā)現(xiàn)map()函數(shù)返回的結(jié)果和傳入的參數(shù)順序是對(duì)應(yīng)的。

注意：當(dāng)我們直接在自定義方法get_parse()中打印結(jié)果時(shí)，打印結(jié)果是亂序的。

submit()函數(shù)

submit()函數(shù)語(yǔ)法格式如下：

submit(調(diào)用方法,參數(shù))

具體示例如下：

def submit_pool():    with concurrent.futures.ThreadPoolExecutor(max_workers=20)as pool:        futuress=[pool.submit(get_parse,url)for url in urls]        futures=zip(urls,futuress)        for url,future in futures:            print(url,len(future.result()))

運(yùn)行結(jié)果如下圖所示：

注意：submit()函數(shù)輸出結(jié)果需需要調(diào)用result()方法。

好了，線程知識(shí)就學(xué)到這里了，接下來(lái)開(kāi)始我們的爬蟲(chóng)。

爬前分析

首先我們進(jìn)入同程旅行的景點(diǎn)網(wǎng)頁(yè)并打開(kāi)開(kāi)發(fā)者工具，如下圖所示：

經(jīng)過(guò)尋找，我們發(fā)現(xiàn)各個(gè)景點(diǎn)的基礎(chǔ)信息（詳情頁(yè)URL、景點(diǎn)id等）都存放在下圖的URL鏈接中，

其URL鏈接為：

https://www.ly.com/scenery/NewSearchList.aspx?&action=getlist&page=2&kw=&pid=6&cid=80&cyid=0&sort=&isnow=0&spType=&lbtypes=&IsNJL=0&classify=0&grade=&dctrack=1%CB%871629537670551030%CB%8720%CB%873%CB%872557287248299209%CB%870&iid=0.6901326566387387

經(jīng)過(guò)增刪改查操作，我們可以把該URL簡(jiǎn)化為：

https://www.ly.com/scenery/NewSearchList.aspx?&action=getlist&page=1&pid=6&cid=80&cyid=0&isnow=0&IsNJL=0

其中page為我們翻頁(yè)的重要參數(shù)。

打開(kāi)該URL鏈接，如下圖所示：

通過(guò)上面的URL鏈接，我們可以獲取到很多景點(diǎn)的基礎(chǔ)信息，隨機(jī)打開(kāi)一個(gè)景點(diǎn)的詳情網(wǎng)頁(yè)并打開(kāi)開(kāi)發(fā)者模式，經(jīng)過(guò)查找，評(píng)論數(shù)據(jù)存放在如下圖的URL鏈接中，

其URL鏈接如下所示：

https://www.ly.com/scenery/AjaxHelper/DianPingAjax.aspx?action=GetDianPingList&sid=12851&page=1&pageSize=10&labId=1&sort=0&iid=0.48901069375088

其中：action、labId、iid、sort為常量，sid是景點(diǎn)的id，page控制翻頁(yè)，pageSize是每頁(yè)獲取的數(shù)據(jù)量。

在上上步中，我們知道景點(diǎn)id的存放位置，那么構(gòu)造評(píng)論數(shù)據(jù)的URL就很簡(jiǎn)單了。

實(shí)戰(zhàn)演練

這次我們爬蟲(chóng)步驟是：

1. 獲取景點(diǎn)基本信息
2. 獲取評(píng)論數(shù)據(jù)
3. 創(chuàng)建MySQL數(shù)據(jù)庫(kù)
4. 保存數(shù)據(jù)
5. 創(chuàng)建線程池
6. 數(shù)據(jù)分析

獲取景點(diǎn)基本信息

首先我們先獲取景點(diǎn)的名字、id、價(jià)格、特色、地點(diǎn)和等級(jí)，主要代碼如下所示：

def get_parse(url):    response=requests.get(url,headers=headers)    Xpath=parsel.Selector(response.text)    data=Xpath.xpath('/html/body/div')    for i in data:        Scenery_data={            'title':i.xpath('./div/div[1]/div[1]/dl/dt/a/text()').extract_first(),            'sid':i.xpath('//div[@class="list_l"]/div/@sid').extract_first(),            'Grade':i.xpath('./div/div[1]/div[1]/dl/dd[1]/span/text()').extract_first(),       'Detailed_address':i.xpath('./div/div[1]/div[1]/dl/dd[2]/p/text()').extract_first().replace('地址：',''),            'characteristic':i.xpath('./div/div[1]/div[1]/dl/dd[3]/p/text()').extract_first(),            'price':i.xpath('./div/div[1]/div[2]/div[1]/span/b/text()').extract_first(),            'place':i.xpath('./div/div[1]/div[1]/dl/dd[2]/p/text()').extract_first().replace('地址：','')[6:8]        }

首先自定義方法get_parse()來(lái)發(fā)送網(wǎng)絡(luò)請(qǐng)求后使用parsel.Selector()方法來(lái)解析響應(yīng)的文本數(shù)據(jù)，然后通過(guò)xpath來(lái)獲取數(shù)據(jù)。

獲取評(píng)論數(shù)據(jù)

獲取景點(diǎn)基本信息后，接下來(lái)通過(guò)景點(diǎn)基本信息中的sid來(lái)構(gòu)造評(píng)論信息的URL鏈接，主要代碼如下所示：

def get_data(Scenery_data):    for i in range(1,3):        link = f'https://www.ly.com/scenery/AjaxHelper/DianPingAjax.aspx?action=GetDianPingList&sid={Scenery_data["sid"]}&page={i}&pageSize=100&labId=1&sort=0&iid=0.20105777381446832'        response=requests.get(link,headers=headers)        Json=response.json()        commtent_detailed=Json.get('dpList')        # 有評(píng)論數(shù)據(jù)        if commtent_detailed!=None:            for i in commtent_detailed:                Comment_information={                    'dptitle':Scenery_data['title'],                    'dpContent':i.get('dpContent'),                    'dpDate':i.get('dpDate')[5:7],                    'lineAccess':i.get('lineAccess')                }        #沒(méi)有評(píng)論數(shù)據(jù)        elif commtent_detailed==None:            Comment_information={                'dptitle':Scenery_data['title'],                'dpContent':'沒(méi)有評(píng)論',                'dpDate':'沒(méi)有評(píng)論',                'lineAccess':'沒(méi)有評(píng)論'            }

首先自定義方法get_data()并傳入剛才獲取的景點(diǎn)基礎(chǔ)信息數(shù)據(jù)，然后通過(guò)景點(diǎn)基礎(chǔ)信息的sid來(lái)構(gòu)造評(píng)論數(shù)據(jù)的URL鏈接，當(dāng)在構(gòu)造評(píng)論數(shù)據(jù)的URL時(shí)，需要設(shè)置pageSize和page這兩個(gè)變量來(lái)獲取多條評(píng)論和進(jìn)行翻頁(yè)，構(gòu)造URL鏈接后就發(fā)送網(wǎng)絡(luò)請(qǐng)求。

這里需要注意的是：有些景點(diǎn)是沒(méi)有評(píng)論，所以我們需要通過(guò)if語(yǔ)句來(lái)進(jìn)行設(shè)置。

創(chuàng)建MySQL數(shù)據(jù)庫(kù)

這次我們把數(shù)據(jù)存放在MySQL數(shù)據(jù)庫(kù)中，由于數(shù)據(jù)比較多，所以我們把數(shù)據(jù)分為兩種數(shù)據(jù)表，一種是景點(diǎn)基礎(chǔ)信息表，一種是景點(diǎn)評(píng)論數(shù)據(jù)表，主要代碼如下所示：

#創(chuàng)建數(shù)據(jù)庫(kù)def create_db():    db=pymysql.connect(host=host,user=user,passwd=passwd,port=port)    cursor=db.cursor()    sql='create database if not exists commtent default character set utf8'    cursor.execute(sql)    db.close()    create_table()#創(chuàng)建景點(diǎn)信息數(shù)據(jù)表def create_table():    db=pymysql.connect(host=host,user=user,passwd=passwd,port=port,db='commtent')    cursor=db.cursor()    sql = 'create table if not exists Scenic_spot_data (title varchar(255) not null, link varchar(255) not null,Grade varchar(255) not null, Detailed_address varchar(255) not null, characteristic varchar(255)not null, price int not null, place varchar(255) not null)'    cursor.execute(sql)    db.close()

首先我們調(diào)用pymysql.connect()方法來(lái)連接數(shù)據(jù)庫(kù)，通過(guò).cursor()獲取游標(biāo)，再通過(guò).execute()方法執(zhí)行單條的sql語(yǔ)句，執(zhí)行成功后返回受影響的行數(shù)，然后關(guān)閉數(shù)據(jù)庫(kù)連接，最后調(diào)用自定義方法create_table()來(lái)創(chuàng)建景點(diǎn)信息數(shù)據(jù)表。

這里我們只給出了創(chuàng)建景點(diǎn)信息數(shù)據(jù)表的代碼，因?yàn)閯?chuàng)建數(shù)據(jù)表只是sql這條語(yǔ)句稍微有點(diǎn)不同，其他都一樣，大家可以參考這代碼來(lái)創(chuàng)建各個(gè)景點(diǎn)評(píng)論數(shù)據(jù)表。

保存數(shù)據(jù)

創(chuàng)建好數(shù)據(jù)庫(kù)和數(shù)據(jù)表后，接下來(lái)就要保存數(shù)據(jù)了，主要代碼如下所示：

#保存景點(diǎn)數(shù)據(jù)到景點(diǎn)數(shù)據(jù)表中def saving_scenery_data(srr):    db = pymysql.connect(host=host, user=user, password=passwd, port=port, db='commtent')    cursor = db.cursor()    sql = 'insert into Scenic_spot_data(title, link, Grade, Detailed_address, characteristic,price,place) values(%s,%s,%s,%s,%s,%s,%s)'    try:        cursor.execute(sql, srr)        db.commit()    except:        db.rollback()    db.close()

首先我們調(diào)用pymysql.connect()方法來(lái)連接數(shù)據(jù)庫(kù)，通過(guò).cursor()獲取游標(biāo)，再通過(guò).execute()方法執(zhí)行單條的sql語(yǔ)句，執(zhí)行成功后返回受影響的行數(shù)，使用了try-except語(yǔ)句，當(dāng)保存的數(shù)據(jù)不成功，就調(diào)用rollback()方法，撤消當(dāng)前事務(wù)中所做的所有更改，并釋放此連接對(duì)象當(dāng)前使用的任何數(shù)據(jù)庫(kù)鎖。

注意：srr是傳入的景點(diǎn)信息數(shù)據(jù)。

創(chuàng)建線程池

好了，單線程爬蟲(chóng)已經(jīng)寫好了，接下來(lái)將創(chuàng)建一個(gè)函數(shù)來(lái)創(chuàng)建我們的線程池，使單線程爬蟲(chóng)變?yōu)槎嗑€程，主要代碼如下所示：

urls = [    f'https://www.ly.com/scenery/NewSearchList.aspx?&action=getlist&page={i}&pid=6&cid=80&cyid=0&isnow=0&IsNJL=0'    for i in range(1, 6)]def multi_thread():    with concurrent.futures.ThreadPoolExecutor(max_workers=8)as pool:        h=pool.map(get_parse,urls)if __name__ == '__main__':    create_db()    multi_thread()

創(chuàng)建線程池的代碼很簡(jiǎn)單就一個(gè)with語(yǔ)句和調(diào)用map()方法

運(yùn)行結(jié)果如下圖所示：