大家好，我是啃書君！

正所謂：有朋自遠方來，不亦樂乎？有朋友來找我們玩，是一件很快樂的事情，那么我們要盡地主之誼，好好帶朋友去玩耍！那么問題來了，什么時候去哪里玩最好呢，哪里玩的地方最多呢？

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

在開始爬取數(shù)據(jù)之前，我們首先來了解一下線程。

線程

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

線程：是輕量級的進程，是程序執(zhí)行的最小單元，是進程的一個執(zhí)行路徑。

一個進程中至少有一個線程，進程中的多個線程共享進程的資源。

線程生命周期

在創(chuàng)建多線程之前，我們先來學習一下線程生命周期，如下圖所示：

由圖可知，線程可以分為五個狀態(tài)——新建、就緒、運行、阻塞、終止。

首先新建一個線程并開啟線程后線程進入就緒狀態(tài)，就緒狀態(tài)的線程不會馬上運行，要獲得CPU資源才會進入運行狀態(tài)，在進入運行狀態(tài)后，線程有可能會失去CPU資源或者遇到休眠、io操作（讀寫等操作）線程進入就緒狀態(tài)或者阻塞狀態(tài)，要等休眠、io操作結束或者重新獲得CPU資源后，才會進入運行狀態(tài)，等到運行完后進入終止狀態(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)開銷呢，這時我們可以創(chuàng)建線程池來重用線程，這樣就可以減少系統(tǒng)的開銷了。

在創(chuàng)建線程池之前，我們先來學習如何創(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. 啟動線程；
4. 等待結束；

創(chuàng)建函數(shù)

為了方便演示，我們拿博客園的網(wǎng)頁做爬蟲函數(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))

首先導入requests網(wǎng)絡請求庫，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來發(fā)送網(wǎng)絡請求、打印請求的URL和響應的字符長度。

創(chuàng)建線程

在上一步我們創(chuàng)建了爬蟲函數(shù)，接下來將創(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,))
????????)

首先我們導入threading模塊，自定義multi_thread函數(shù)，再創(chuàng)建一個空列表threads來存放線程任務，通過threading.Thread()方法來創(chuàng)建線程。其中：

• target為運行函數(shù)；
• args為運行函數(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.append()方法把線程添加到threads空列表中。

啟動線程

線程已經(jīng)創(chuàng)建好了，接下來將啟動線程了，啟動線程很簡單，具體代碼如下所示：

for?thread?in?threads:
????thread.start()

首先我們通過for循環(huán)把threads列表中的線程任務獲取下來，通過.start()來啟動線程。

等待結束

啟動線程后，接下來將等待線程結束，具體代碼如下所示：

for?thread?in?threads:
????thread.join()

和啟動線程一樣，先通過for循環(huán)把threads列表中的線程任務獲取下來，再使用.join()方法等待線程結束。

多線程已經(jīng)創(chuàng)建好了，接下來將測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)

運行結果如下圖所示：

多線程爬取50個博客園網(wǎng)頁只要1秒多，而且多線程的發(fā)送網(wǎng)絡請求的URL是隨機的。

我們來測試一下單線程的運行時間，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)

運行結果如下圖所示：

單線程爬取50個博客園網(wǎng)頁用了9秒多，單線程的發(fā)送網(wǎng)絡請求的URL是按順序的。

在上面我們說了，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)的開銷，我們可以創(chuàng)建線程池。

線程池原理

一個線程池由兩部分組成，如下圖所示：

• 線程池：里面提前建好N個線程，這些都會被重復利用；
• 任務隊列：當有新任務的時候，會把任務放在任務隊列中。

當任務隊列里有任務時，線程池的線程會從任務隊列中取出任務并執(zhí)行，執(zhí)行完任務后，線程會執(zhí)行下一個任務，直到?jīng)]有任務執(zhí)行后，線程會回到線程池中等待任務。

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

好了，了解了線程池原理后，我們開始創(chuàng)建線程池。

線程池創(chuàng)建

Python提供了ThreadPoolExecutor類來創(chuàng)建線程池，其語法如下所示：

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：是在每個工作者線程開始處調(diào)用的一個可選可調(diào)用對象；
• initargs：傳遞給初始化器的元組參數(shù)。

注意：在啟動 max_workers 個工作線程之前也會重用空閑的工作線程。

在ThreadPoolExecutor類中提供了map()和submit()函數(shù)來插入任務隊列。其中：

map()函數(shù)

map()語法格式為：

map(調(diào)用方法,參數(shù)隊列)

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)

首先我們導入requests網(wǎng)絡請求庫、concurrent.futures模塊，把所有的URL放在urls列表中，然后自定義get_parse()方法來返回網(wǎng)絡請求返回的數(shù)據(jù)，再自定義map_pool()方法來創(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)絡請求任務放在任務隊列中，在把返回的數(shù)據(jù)和URL合并為元組，并放在htmls列表中。

運行結果如下圖所示：

可以發(fā)現(xiàn)map()函數(shù)返回的結果和傳入的參數(shù)順序是對應的。

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

submit()函數(shù)

submit()函數(shù)語法格式如下：

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()))

運行結果如下圖所示：

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

好了，線程知識就學到這里了，接下來開始我們的爬蟲。

爬前分析

首先我們進入同程旅行的景點網(wǎng)頁并打開開發(fā)者工具，如下圖所示：

經(jīng)過尋找，我們發(fā)現(xiàn)各個景點的基礎信息（詳情頁URL、景點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)過增刪改查操作，我們可以把該URL簡化為：

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

其中page為我們翻頁的重要參數(shù)。

打開該URL鏈接，如下圖所示：

通過上面的URL鏈接，我們可以獲取到很多景點的基礎信息，隨機打開一個景點的詳情網(wǎng)頁并打開開發(fā)者模式，經(jīng)過查找，評論數(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是景點的id，page控制翻頁，pageSize是每頁獲取的數(shù)據(jù)量。

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

實戰(zhàn)演練

這次我們爬蟲步驟是：

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

獲取景點基本信息

首先我們先獲取景點的名字、id、價格、特色、地點和等級，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()來發(fā)送網(wǎng)絡請求后使用parsel.Selector()方法來解析響應的文本數(shù)據(jù)，然后通過xpath來獲取數(shù)據(jù)。

獲取評論數(shù)據(jù)

獲取景點基本信息后，接下來通過景點基本信息中的sid來構造評論信息的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')????????????????}????????#沒有評論數(shù)據(jù)????????elif?commtent_detailed==None:????????????Comment_information={????????????????'dptitle':Scenery_data['title'],????????????????'dpContent':'沒有評論',????????????????'dpDate':'沒有評論',????????????????'lineAccess':'沒有評論'????????????}

首先自定義方法get_data()并傳入剛才獲取的景點基礎信息數(shù)據(jù)，然后通過景點基礎信息的sid來構造評論數(shù)據(jù)的URL鏈接，當在構造評論數(shù)據(jù)的URL時，需要設置pageSize和page這兩個變量來獲取多條評論和進行翻頁，構造URL鏈接后就發(fā)送網(wǎng)絡請求。

這里需要注意的是：有些景點是沒有評論，所以我們需要通過if語句來進行設置。

創(chuàng)建MySQL數(shù)據(jù)庫

這次我們把數(shù)據(jù)存放在MySQL數(shù)據(jù)庫中，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，一種是景點基礎信息表，一種是景點評論數(shù)據(jù)表，主要代碼如下所示：

#創(chuàng)建數(shù)據(jù)庫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()方法來連接數(shù)據(jù)庫，通過.cursor()獲取游標，再通過.execute()方法執(zhí)行單條的sql語句，執(zhí)行成功后返回受影響的行數(shù)，然后關閉數(shù)據(jù)庫連接，最后調(diào)用自定義方法create_table()來創(chuàng)建景點信息數(shù)據(jù)表。

這里我們只給出了創(chuàng)建景點信息數(shù)據(jù)表的代碼，因為創(chuàng)建數(shù)據(jù)表只是sql這條語句稍微有點不同，其他都一樣，大家可以參考這代碼來創(chuàng)建各個景點評論數(shù)據(jù)表。

保存數(shù)據(jù)

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

#保存景點數(shù)據(jù)到景點數(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()方法來連接數(shù)據(jù)庫，通過.cursor()獲取游標，再通過.execute()方法執(zhí)行單條的sql語句，執(zhí)行成功后返回受影響的行數(shù)，使用了try-except語句，當保存的數(shù)據(jù)不成功，就調(diào)用rollback()方法，撤消當前事務中所做的所有更改，并釋放此連接對象當前使用的任何數(shù)據(jù)庫鎖。

注意：srr是傳入的景點信息數(shù)據(jù)。

創(chuàng)建線程池

好了，單線程爬蟲已經(jīng)寫好了，接下來將創(chuàng)建一個函數(shù)來創(chuàng)建我們的線程池，使單線程爬蟲變?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單就一個with語句和調(diào)用map()方法

運行結果如下圖所示：

好了，數(shù)據(jù)已經(jīng)獲取到了，接下來將進行數(shù)據(jù)分析。

數(shù)據(jù)可視化

首先我們來分析一下各個景點那個月份游玩的人數(shù)最多，這樣我們就不用擔心去游玩的時機不對了。

我們發(fā)現(xiàn)10月、2月、1月去廣州長隆飛鳥樂園游玩的人數(shù)占總體比例最多。分析完月份后，我們來看看評論情況如何：

可以發(fā)現(xiàn)去好評占了絕大部分，可以說：去長隆飛鳥樂園玩耍，去了都說好?？戳嗽u論情況，評論內(nèi)容有什么：

好了，獲取旅游景點信息及評論并做詞云、數(shù)據(jù)可視化就講到這里了。