85行代码实现多线程+数据文件操作+数据库存储的爬虫实例

写在前面

这是我在接触爬虫后，写的第二个爬虫实例。
也是我在学习python后真正意义上写的第二个小项目，第一个小项目就是第一个爬虫了。

我从学习python到现在，也就三个星期不到，平时课程比较多，python是额外学习的，每天学习python的时间也就一个小时左右。
所以我目前对于python也不是特别了解，如果代码以及理解方面存在错误，欢迎大家的指正。

爬取的网站

这是一个推荐网络小说的网站。
https://www.tuishujun.com/

我之前用以下的代码实例，爬取了这个网站所有的小说数据，大概有十七万左右。
大概花了6个小时的时间，效率还是不错的，如果是在单线程的情况下，我估计在不停机24小时爬取的情况下，也需要几天。

我在刚开始写这个爬虫实例的时候，也遇到了很多问题，首先就是网上虽然有很多关于python多线程爬虫的东西，但…

除此之外，关于利用多线程操作数据库的爬虫实例也是比较少。

就解决以上问题，我找了很多资料，走了不少弯路，摸索了几天才写出了以下实例。

大家可以参考以下实例，进行拓展，写出属于自己的多线程爬虫。

需要注意的点：
在实例中我使用了ThreadPoolExecutor构造线程池的方式（大家可以找找这方面的资料看看），如果你在使用多线程的时候想要操作数据库存储数据，建议使用以上方式，要不然你会发现，在运行代码时出现各种各样的错误。

代码实例

import requests
import pymysql
import os
from lxml import etree
from fake_useragent import UserAgent
from concurrent.futures import ThreadPoolExecutor


class tuishujunSpider(object):
    def __init__(self):
        if not os.path.exists("db/tuishujun"):
            os.makedirs("db/tuishujun")
        else:
            pass
        self.f = open("./db/tuishujun/tuishujun.txt", "a", encoding="utf-8")
        self.con = pymysql.connect(host="localhost", user="root", password="123456789", database="novel",
                                   charset="utf8", port=3306)
        self.cursor = self.con.cursor()
        self.cursor.execute(" SHOW TABLES LIKE "tuishujun" ")
        judge = self.cursor.fetchone()
        if judge:
            pass
        else:
            self.cursor.execute("""create table tuishujun
                            ( id BIGINT NOT NULL AUTO_INCREMENT,
                              cover VARCHAR(255),
                              name VARCHAR(255),
                              author VARCHAR(255),
                              source VARCHAR(255),
                              intro LONGTEXT,
                              PRIMARY KEY (id))
                           """)
        self.con.commit()
        self.cursor.close()
        self.con.close()

    def start(self, page):
        con = pymysql.connect(
            host="localhost", user="root", password="123456789", database="novel", charset="utf8", port=3306)
        cursor = con.cursor()
        headers = {
            "User-Agent": UserAgent().random
        }
        url = "https://www.tuishujun.com/books/" + str(page)
        r = requests.get(url, headers=headers)
        if r.status_code == 500:
            return
        else:
            html = etree.HTML(r.text)
            book = {}
            book["id"] = str(page)
            try:
                cover = html.xpath("//*[@id="__layout"]/div/div[2]/div/div[1]/div/div[1]/div[1]/div[1]/img/@src")[0]
            except IndexError:
                cover = ""
            book["cover"] = cover
            name = 
                html.xpath(
                    "//*[@id="__layout"]/div/div[2]/div/div[1]/div/div[1]/div[1]/div[2]/div/div[1]/h3/text()")[0]
            book["name"] = name
            author = 
                html.xpath(
                    "//*[@id="__layout"]/div/div[2]/div/div[1]/div/div[1]/div[1]/div[2]/div/div[2]/a/text()")[
                    0].strip()
            author = author.replace("
", "")
            book["author"] = author
            source = 
                html.xpath("//*[@id="__layout"]/div/div[2]/div/div[1]/div/div[1]/div[1]/div[2]/div/div[5]/text()")[
                    0]
            book["source"] = source
            intro = html.xpath("//*[@id="__layout"]/div/div[2]/div/div[1]/div/div[1]/div[2]/text()")[0]
            intro = intro.replace(" ", "")
            intro = intro.replace("
", "")
            book["intro"] = intro
            self.f.write(str(book) + "
")
            cursor.execute("insert into tuishujun(id,cover,name,author,source,intro) "
                           "values(%s,%s,%s,%s,%s,%s)",
                           (book["id"], book["cover"], book["name"], book["author"],
                            book["source"], book["intro"]))
            con.commit()
            cursor.close()
            con.close()
            print(book)

    def run(self):
        pages = range(1, 200000)
        with ThreadPoolExecutor() as pool:
            pool.map(self.start, pages)


if __name__ == "__main__":
    spider = tuishujunSpider()
    spider.run()