本文实例讲述了python多进程方式抓取基金网站内容的方法。分享给大家供大家参考，具体如下：
在前面这篇http://www.zzvips.com/article/174768.html我们已经简单了解了”python的多进程”，现在我们需要把抓取基金网站(28页)内容写成多进程的方式。
因为进程也不是越多越好，我们计划分3个进程执行。意思就是 ：把总共要抓取的28页分成三部分。
怎么分呢？
|
1
2
3
4
5
6
|
# 初始range
r = range(1,29)
# 步长
step = 10
mylist = [r[x:x+step] for x in range(0,len(r),step)]
print(mylist) # [range(1, 11), range(11, 21), range(21, 29)]
|
看上面代码，我们就把1~29分成了三部分，list里三个range。
2、还记得我们抓取基金网站内容的getdata()函数？
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
def getdata(start, end):
for x in range(start, end+1):
# 去第几页 输入框
tonum = driver.find_element_by_id("tonum")
# 去第几页 提交按钮
jumpbtn = driver.find_element_by_id("btn_jump")
tonum.clear() # 第x页 输入框
tonum.send_keys(str(x)) # 去第x页
jumpbtn.click() # 点击按钮
webdriverwait(driver, 20).until(lambda driver: driver.find_element_by_id("pager") \
.find_element_by_xpath("span[@value={0} and @class!='end page']".format(x)) \
.get_attribute("class").find("at") != -1)
# 保存抓取到的html内容
# 保存到html目录下
with open("./htmls/{0}.txt".format(x),"wb") as f:
f.write(driver.find_element_by_id("tablediv").get_attribute("innerhtml").encode("utf8"))
f.close()
|
函数是有2个参数：一个开始页码，一个结束页码，也就是从第start页，到第end页。
这2个参数实际上也是range。
改造getdata()函数如下（参数不同了）：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
# 循环抓取网页内容的函数
def getdata(myrange):
for x in myrange:
# 去第几页 输入框
tonum = driver.find_element_by_id("tonum")
# 去第几页 提交按钮
jumpbtn = driver.find_element_by_id("btn_jump")
tonum.clear() # 第x页 输入框
tonum.send_keys(str(x)) # 去第x页
jumpbtn.click() # 点击按钮
webdriverwait(driver, 20).until(lambda driver: driver.find_element_by_id("pager") \
.find_element_by_xpath("span[@value={0} and @class!='end page']".format(x)) \
.get_attribute("class").find("at") != -1)
# 保存抓取到的html内容
# 保存到html目录下
with open("./htmls/{0}.txt".format(x),"wb") as f:
f.write(driver.find_element_by_id("tablediv").get_attribute("innerhtml").encode("utf8"))
f.close()
|
3、创建进程，把target设置为上面的getdata()：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
# 初始range
r = range(1,int(total_page)+1)
# 步长
step = 10
mylist = [r[x:x+step] for x in range(0,len(r),step)] # 把页面分段
# 创建进程
processlist = []
if __name__ == "__main__":
for r in mylist:
p = process(target=getdata,args=(r,))
processlist.append(p)
# 开始执行进程
for p in processlist:
p.start()
|
这样就有三个进程分别抓取。
4、多进程抓取基金网站多页内容完全代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
|
# coding: utf-8
from selenium import webdriver
from selenium.webdriver.support.ui import webdriverwait
from selenium.webdriver.support import expected_conditions
from multiprocessing import process
driver = webdriver.phantomjs(executable_path=r"你phantomjs的可执行文件路径")
# 请求一个网址
driver.get("http://fund.eastmoney.com/fund.html")
page_text = driver.find_element_by_id("pager").find_element_by_xpath("span[@class='nv']").text
total_page = ''.join(filter(str.isdigit,page_text)) # 得到总共有多少页
# 循环抓取网页内容的函数
def getdata(myrange):
for x in myrange:
# 去第几页 输入框
tonum = driver.find_element_by_id("tonum")
# 去第几页 提交按钮
jumpbtn = driver.find_element_by_id("btn_jump")
tonum.clear() # 第x页 输入框
tonum.send_keys(str(x)) # 去第x页
jumpbtn.click() # 点击按钮
webdriverwait(driver, 20).until(lambda driver: driver.find_element_by_id("pager") \
.find_element_by_xpath("span[@value={0} and @class!='end page']".format(x)) \
.get_attribute("class").find("at") != -1)
# 保存抓取到的html内容
# 保存到html目录下
with open("./htmls/{0}.txt".format(x),"wb") as f:
f.write(driver.find_element_by_id("tablediv").get_attribute("innerhtml").encode("utf8"))
f.close()
# 初始range
r = range(1,int(total_page)+1)
# 步长
step = 10
mylist = [r[x:x+step] for x in range(0,len(r),step)] # 把页面分段
# 创建进程
processlist = []
if __name__ == "__main__":
for r in mylist:
p = process(target=getdata,args=(r,))
processlist.append(p)
# 开始执行进程
for p in processlist:
p.start()
|
希望本文所述对大家python程序设计有所帮助。
原文链接：https://blog.csdn.net/github_26672553/article/details/78616084