建站
咨詢
售后
建站咨詢
新聞中心
大家好，我是啃書君！
創(chuàng)新互聯(lián)從2013年創(chuàng)立，先為潯陽等服務(wù)建站，潯陽等地企業(yè)，進(jìn)行企業(yè)商務(wù)咨詢服務(wù)。為潯陽企業(yè)網(wǎng)站制作PC+手機(jī)+微官網(wǎng)三網(wǎng)同步一站式服務(wù)解決您的所有建站問題。
正所謂：有朋自遠(yuǎn)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(shí)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(diǎn)信息及評(píng)論數(shù)據(jù)并做詞云、數(shù)據(jù)可視化?。。懔私飧鱾€(gè)城市的游玩景點(diǎn)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(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)開銷呢，這時(shí)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(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：
- 創(chuàng)建函數(shù)；
- 創(chuàng)建線程；
- 啟動(dòng)線程；
- 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(dǎo)入requests網(wǎng)絡(luò)請(qǐng)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(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(dǎo)入threading模塊，自定義multi_thread函數(shù)，再創(chuàng)建一個(gè)空列表threads來存放線程任務(wù)，通過threading.Thread()方法來創(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.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for循環(huán)把threads列表中的線程任務(wù)獲取下來，通過.start()來啟動(dòng)線程。
等待結(jié)束
啟動(dòng)線程后，接下來將等待線程結(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for循環(huán)把threads列表中的線程任務(wù)獲取下來，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(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(gè)工作者線程開始處調(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)來插入任務(wù)隊(duì)列。其中：
map()函數(shù)
map()語法格式為：
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、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(luò)請(qǐng)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(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，接下來開始我們的爬蟲。
爬前分析
首先我們進(jìn)入同程旅行的景點(diǎn)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(gè)景點(diǎn)的基礎(chǔ)信息（詳情頁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(diǎn)的基礎(chǔ)信息，隨機(jī)打開一個(gè)景點(diǎn)的詳情網(wǎng)頁并打開開發(fā)者模式，經(jīng)過查找，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，pageSize是每頁獲取的數(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
這次我們爬蟲步驟是：
- 獲取景點(diǎn)基本信息
- 獲取評(píng)論數(shù)據(jù)
- 創(chuàng)建MySQL數(shù)據(jù)庫
- 保存數(shù)據(jù)
- 創(chuàng)建線程池
- 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()來發(fā)送網(wǎng)絡(luò)請(qǐng)求后使用parsel.Selector()方法來解析響應(yīng)的文本數(shù)據(jù)，然后通過xpath來獲取數(shù)據(jù)。
獲取評(píng)論數(shù)據(jù)
獲取景點(diǎn)基本信息后，接下來通過景點(diǎn)基本信息中的sid來構(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') } #沒有評(píng)論數(shù)據(jù) elif commtent_detailed==None: Comment_information={ 'dptitle':Scenery_data['title'], 'dpContent':'沒有評(píng)論', 'dpDate':'沒有評(píng)論', 'lineAccess':'沒有評(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)，然后通過景點(diǎn)基礎(chǔ)信息的sid來構(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)變量來獲取多條評(píng)論和進(jìn)行翻頁，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)是沒有評(píng)論，所以我們需要通過if語句來進(jìn)行設(shè)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(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()方法來連接數(shù)據(jù)庫，通過.cursor()獲取游標(biāo)，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(guān)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(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這條語句稍微有點(diǎn)不同，其他都一樣，大家可以參考這代碼來創(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：
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(biāo)，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(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)庫鎖。
#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()
注意：srr是傳入的景點(diǎn)信息數(shù)據(jù)。
創(chuàng)建線程池
好了，單線程爬蟲已經(jīng)寫好了，接下來將創(chuàng)建一個(gè)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(jiǎn)單就一個(gè)with語句和調(diào)用map()方法
運(yùn)行結(jié)果如下圖所示：
好了，數(shù)據(jù)已經(jīng)獲取到了，接下來將進(jìn)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(gè)景點(diǎn)那個(gè)月份游玩的人數(shù)最多，這樣我們就不用擔(dān)心去游玩的時(shí)機(jī)不對(duì)了。
我們發(fā)現(xiàn)10月、2月、1月去廣州長(zhǎng)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(píng)論情況如何：
可以發(fā)現(xiàn)去好評(píng)占了絕大部分，可以說：去長(zhǎng)隆飛鳥樂園玩耍，去了都說好?？戳嗽u(píng)論情況，評(píng)論內(nèi)容有什么：
好了，獲取旅游景點(diǎn)信息及評(píng)論并做詞云、數(shù)據(jù)可視化就講到這里了。
新聞名稱：Python獲取旅游景點(diǎn)信息及評(píng)論并作詞云、數(shù)據(jù)可視化
本文鏈接：http://www.5511xx.com/article/cdscpjc.html
