Python爬蟲實(shí)戰(zhàn) | 利用多線程爬取 LOL 高清壁紙

來(lái)源：公眾號(hào)【杰哥的IT之旅】
作者：阿拉斯加
ID：Jake_Internet
如需獲取本文完整代碼及 LOL 壁紙，請(qǐng)為本文右下角點(diǎn)亮在看并添加杰哥微信：Hc220088 獲取。

我們可以看到有很多的小圖，每一張小圖對(duì)應(yīng)一個(gè)皮膚，通過 network 查看皮膚數(shù)據(jù)接口，如下圖所示：

我們知道了皮膚信息是一個(gè) json 格式的字符串進(jìn)行傳輸?shù)模敲次覀冎灰业矫總€(gè)英雄對(duì)應(yīng)的 id，找到對(duì)應(yīng)的 json 文件，提取需要的數(shù)據(jù)就能得到高清皮膚壁紙。

然后這里黑暗之女的 json 的文件地址是：

hero_one?=?'https://game.gtimg.cn/images/lol/act/img/js/hero/1.js'

這里其實(shí)規(guī)律也非常簡(jiǎn)單，每個(gè)英雄的皮膚數(shù)據(jù)的地址是這樣的：

url?=?'https://game.gtimg.cn/images/lol/act/img/js/hero/{}.js'.format(id)

那么問題來(lái)了 id 的規(guī)律是怎么樣的呢？這里英雄的 id 需要在首頁(yè)查看，如下所示：

我們可以看到兩個(gè)列表[0,99]，[100,156]，即 156 個(gè)英雄，但是 heroId 卻一直到了 240….，由此可見，它是有一定的變化規(guī)律的，并不是依次加一，所以要爬取全部英雄皮膚圖片，需要先拿到全部的heroId。

三、抓取思路

為什么使用多線程，這里解釋一下，我們?cè)谂廊D片，視頻這種數(shù)據(jù)的時(shí)候，因?yàn)樾枰４娴奖镜兀詴?huì)使用大量的文件的讀取和寫入操作，也就是 IO 操作，試想一下如果我們進(jìn)行同步請(qǐng)求操作；

那么在第一次請(qǐng)求完成一直到文件保存到本地，才會(huì)進(jìn)行第二次請(qǐng)求，那么這樣效率非常低下，如果使用多線程進(jìn)行異步操作，效率會(huì)大大提升。

所以必然要使用多線程或者是多進(jìn)程，然后把這么多的數(shù)據(jù)隊(duì)列丟給線程池或者進(jìn)程池去處理；

在 Python 中，multiprocessing Pool 進(jìn)程池，multiprocessing.dummy 非常好用。

• multiprocessing.dummy模塊：dummy模塊是多線程；

• multiprocessing模塊：multiprocessing是多進(jìn)程；

multiprocessing.dummy模塊與multiprocessing模塊兩者的 api 都是通用的，代碼的切換使用上比較靈活；

我們首先在一個(gè)測(cè)試的 demo.py 文件抓取英雄 id，這里的代碼我已經(jīng)寫好了，得到一個(gè)儲(chǔ)存英雄 id 的列表，直接在主文件里使用即可；

demo.py

url?=?'https://game.gtimg.cn/images/lol/act/img/js/heroList/hero_list.js'
res?=?requests.get(url,headers=headers)
res?=?res.content.decode('utf-8')
res_dict?=?json.loads(res)
heros?=?res_dict["hero"]?#?156個(gè)hero信息
idList?=?[]
for?hero?in?heros:
????hero_id?=?hero["heroId"]
????idList.append(hero_id)
print(idList)

得到 idList 如下所示：

idlist = [1,2,3,….,875,876,877] # 中間的英雄 id 這里不做展示

構(gòu)建的 url：

page = 'http://www.bizhi88.com/s/470/{}.html'.format(i)

這里的 i 表示 id，進(jìn)行 url 的動(dòng)態(tài)構(gòu)建；

那么我們定制兩個(gè)函數(shù)一個(gè)用于爬取并且解析頁(yè)面（spider），一個(gè)用于下載數(shù)據(jù) ?(download)，開啟線程池，使用 for 循環(huán)構(gòu)建存儲(chǔ)英雄皮膚 json 數(shù)據(jù)的 url，儲(chǔ)存在列表中，作為 url 隊(duì)列，使用 pool.map() 方法執(zhí)行 spider (爬蟲)函數(shù)；

def?map(self,?fn,?*iterables,?timeout=None,?chunksize=1):
????"""Returns?an?iterator?equivalent?to?map(fn,?iter)”“”
#?這里我們的使用是：pool.map(spider,page)?# spider:爬蟲函數(shù)；page:url隊(duì)列

作用：將列表中的每個(gè)元素提取出來(lái)當(dāng)作函數(shù)的參數(shù)，創(chuàng)建一個(gè)個(gè)進(jìn)程，放進(jìn)進(jìn)程池中；

參數(shù)1：要執(zhí)行的函數(shù)；

參數(shù)2：迭代器，將迭代器中的數(shù)字作為參數(shù)依次傳入函數(shù)中；

json數(shù)據(jù)解析

這里我們就以黑暗之女的皮膚的 json 文件做展示進(jìn)行解析，我們需要獲取的內(nèi)容有?1.name，2.skin_name，3.mainImg，因?yàn)槲覀儼l(fā)現(xiàn) heroName 是一樣的，所以把英雄名作為該英雄的皮膚文件夾名，這樣便于查看保存；

item?=?{}
item['name']?=?hero["heroName"]
item['skin_name']?=?hero["name"]
if?hero["mainImg"]?==?'':
???continue
item['imgLink']?=?hero["mainImg"]

有一個(gè)注意點(diǎn):

有的 mainImg 標(biāo)簽是空的，所以我們需要跳過，否則如果是空的鏈接，請(qǐng)求時(shí)會(huì)報(bào)錯(cuò)；

四、數(shù)據(jù)采集

導(dǎo)入相關(guān)第三方庫(kù)

import?requests?#?請(qǐng)求
from?multiprocessing.dummy?import?Pool?as?ThreadPool?#?并發(fā)
import?time?#?效率
import?os?#?文件操作
import?json?#?解析

頁(yè)面數(shù)據(jù)解析

def?spider(url):
????res?=?requests.get(url,?headers=headers)
????result?=?res.content.decode('utf-8')
????res_dict?=?json.loads(result)

????skins?=?res_dict["skins"]??#?15個(gè)hero信息
????print(len(skins))

????for?index,hero?in?enumerate(skins):?#?這里使用到enumerate獲取下標(biāo),以便文件圖片命名;
????????item?=?{}?#?字典對(duì)象
????????item['name']?=?hero["heroName"]
????????item['skin_name']?=?hero["name"]

????????if?hero["mainImg"]?==?'':
????????????continue
????????item['imgLink']?=?hero["mainImg"]
????????print(item)

????????download(index+1,item)

download 下載圖片

def?download(index,contdict):
????name?=?contdict['name']
????path?=?"皮膚/"?+?name
????if?not?os.path.exists(path):
????????os.makedirs(path)
????content?=?requests.get(contdict['imgLink'],?headers=headers).content
????with?open('./皮膚/'?+?name?+?'/'?+?contdict['skin_name']?+?str(index)?+?'.jpg',?'wb')?as?f:
????????f.write(content)

這里我們使用 OS 模塊創(chuàng)建文件夾，前面我們有說到，每個(gè)英雄的 heroName 的值是一樣的，借此創(chuàng)建文件夾并命名，方便皮膚的保存（歸類），然后就是這里圖片文件的路徑需要仔細(xì)，少一個(gè)斜杠就會(huì)報(bào)錯(cuò)。

main() 主函數(shù)

def?main():?
????pool?=?ThreadPool(6)
????page?=?[]
????for?i?in?range(1,21):
????????newpage?=?'https://game.gtimg.cn/images/lol/act/img/js/hero/{}.js'.format(i)
????????print(newpage)
????????page.append(newpage)
????result?=?pool.map(spider,?page)
????pool.close()
????pool.join()
????end?=?time.time()

說明：

• 在主函數(shù)里我們首選創(chuàng)建了六個(gè)線程池；

• 通過 for 循環(huán)動(dòng)態(tài)構(gòu)建 20 條 url,我們小試牛刀一下，20 個(gè)英雄皮膚，如果爬取全部可以對(duì)之前的 idList 遍歷，再動(dòng)態(tài)構(gòu)建 url；

• 使用 map() 函數(shù)對(duì)線程池中的 url 進(jìn)行數(shù)據(jù)解析存儲(chǔ)操作；

• 當(dāng)線程池 close 的時(shí)候并未關(guān)閉線程池，只是會(huì)把狀態(tài)改為不可再插入元素的狀態(tài)；

五、程序運(yùn)行

if?__name__?==?'__main__':
????main()

結(jié)果如下：

當(dāng)然了這里只是截取了部分圖像，總共爬取了 200+ 張圖片，總體來(lái)說還是可以。

六、總結(jié)

本次我們使用了多線程爬取了英雄聯(lián)盟官網(wǎng)英雄皮膚高清壁紙，因?yàn)閳D片涉及到 IO 操作，我們使用并發(fā)方式進(jìn)行，大大提高了程序的執(zhí)行效率。

當(dāng)然爬蟲淺嘗輒止，此次小試牛刀，爬取了 20 個(gè)英雄的皮膚圖片，感興趣的小伙伴可以把皮膚全部爬取下來(lái)，只需要改變遍歷的元素為之前的 idlist 即可。

推薦閱讀