首先新建一个线程并开启线程后线程进入就绪状态，就绪状态的线程不会马上运行，要获得CPU资源才会进入运行状态，在进入运行状态后，线程有可能会失去CPU资源或者遇到休眠、io操作（读写等操作）线程进入就绪状态或者阻塞状态，要等休眠、io操作结束或者重新获得CPU资源后，才会进入运行状态，等到运行完后进入终止状态。

注意：新建线程系统是需要分配资源的，终止线程系统是需要回收资源的，那么如何减去新建/终止线程的系统开销呢，这时我们可以创建线程池来重用线程，这样就可以减少系统的开销了。

在创建线程池之前，我们先来学习如何创建多线程。

创建多线程

创建多线程可以分为四步：

创建函数；
创建线程；
启动线程；
等待结束；

创建函数

为了方便演示，我们拿博客园的网页做爬虫函数，具体代码如下所示：


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))

首先导入requests网络请求库，把我们所有的要爬取的URL保存在列表中，然后自定义函数get_parse来发送网络请求、打印请求的URL和响应的字符长度。

创建线程

在上一步我们创建了爬虫函数，接下来将创建线程了，具体代码如下所示：


import threading
#多线程
def multi_thread():
    threads=[]
    for url in urls:
        threads.append(
            threading.Thread(target=get_parse,args=(url,))
        )

首先我们导入threading模块，自定义multi_thread函数，再创建一个空列表threads来存放线程任务，通过threading.Thread()方法来创建线程。其中：

target为运行函数；
args为运行函数所需的参数。

注意args中的参数要以元组的方式传入，然后通过.append()方法把线程添加到threads空列表中。

启动线程

线程已经创建好了，接下来将启动线程了，启动线程很简单，具体代码如下所示：


for thread in threads:
    thread.start()

首先我们通过for循环把threads列表中的线程任务获取下来，通过.start()来启动线程。

等待结束

启动线程后，接下来将等待线程结束，具体代码如下所示：


for thread in threads:
    thread.join()

和启动线程一样，先通过for循环把threads列表中的线程任务获取下来，再使用.join()方法等待线程结束。

多线程已经创建好了，接下来将测试一下多线程的速度如何，具体代码如下所示：


if __name__ == '__main__':
    t1=time.time()
    multi_thread()
    t2=time.time()
    print(t2-t1)

运行结果如下图所示：

多线程爬取50个博客园网页只要1秒多，而且多线程的发送网络请求的URL是随机的。

我们来测试一下单线程的运行时间，具体代码如下所示：


if __name__ == '__main__':
    t1=time.time()
    for i in urls:
        get_parse(i)
    t2=time.time()
    print(t2-t1)

运行结果如下图所示：

单线程爬取50个博客园网页用了9秒多，单线程的发送网络请求的URL是按顺序的。

在上面我们说了，新建线程系统是需要分配资源的，终止线程系统是需要回收资源的，为了减少系统的开销，我们可以创建线程池。

线程池原理

一个线程池由两部分组成，如下图所示：

线程池：里面提前建好N个线程，这些都会被重复利用；
任务队列：当有新任务的时候，会把任务放在任务队列中。

当任务队列里有任务时，线程池的线程会从任务队列中取出任务并执行，执行完任务后，线程会执行下一个任务，直到没有任务执行后，线程会回到线程池中等待任务。

使用线程池可以处理突发性大量请求或需要大量线程完成任务（处理时间较短的任务）。

好了，了解了线程池原理后，我们开始创建线程池。

线程池创建

Python提供了ThreadPoolExecutor类来创建线程池，其语法如下所示：

ThreadPoolExecutor(max_workers=None, thread_name_prefix='', initializer=None, initargs=())

其中：

max_workers：最大线程数；
thread_name_prefix：允许用户控制由线程池创建的threading.Thread工作线程名称以方便调试；
initializer：是在每个工作者线程开始处调用的一个可选可调用对象；
initargs：传递给初始化器的元组参数。

注意：在启动 max_workers 个工作线程之前也会重用空闲的工作线程。

在ThreadPoolExecutor类中提供了map()和submit()函数来插入任务队列。其中：

map()函数

map()语法格式为：

map(调用方法,参数队列)

具体示例如下所示：


import requests
import concurrent.futures
import time
urls=[
    f'https://www.cnblogs.com/#p{page}'
    for page in range(1,50)
]
def get_parse(url):
    response=requests.get(url)
    return response.text
def 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)

首先我们导入requests网络请求库、concurrent.futures模块，把所有的URL放在urls列表中，然后自定义get_parse()方法来返回网络请求返回的数据，再自定义map_pool()方法来创建代理池，其中代理池的最大max_workers为20，调用map()方法把网络请求任务放在任务队列中，在把返回的数据和URL合并为元组，并放在htmls列表中。

运行结果如下图所示：

可以发现map()函数返回的结果和传入的参数顺序是对应的。

注意：当我们直接在自定义方法get_parse()中打印结果时，打印结果是乱序的。

submit()函数

submit()函数语法格式如下：

submit(调用方法,参数)

具体示例如下：


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()))

运行结果如下图所示：

注意：submit()函数输出结果需需要调用result()方法。

好了，线程知识就学到这里了，接下来开始我们的爬虫。

爬前分析

首先我们进入同程旅行的景点网页并打开开发者工具，如下图所示：

经过寻找，我们发现各个景点的基础信息（详情页URL、景点id等）都存放在下图的URL链接中，

其URL链接为：

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

经过增删改查操作，我们可以把该URL简化为：

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

其中page为我们翻页的重要参数。

打开该URL链接，如下图所示：

通过上面的URL链接，我们可以获取到很多景点的基础信息，随机打开一个景点的详情网页并打开开发者模式，经过查找，评论数据存放在如下图的URL链接中，

其URL链接如下所示：

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为常量，sid是景点的id，page控制翻页，pageSize是每页获取的数据量。

在上上步中，我们知道景点id的存放位置，那么构造评论数据的URL就很简单了。

实战演练

这次我们爬虫步骤是：

获取景点基本信息
获取评论数据
创建MySQL数据库
保存数据
创建线程池
数据分析

获取景点基本信息

首先我们先获取景点的名字、id、价格、特色、地点和等级，主要代码如下所示：


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]
        }

首先自定义方法get_parse()来发送网络请求后使用parsel.Selector()方法来解析响应的文本数据，然后通过xpath来获取数据。

获取评论数据

获取景点基本信息后，接下来通过景点基本信息中的sid来构造评论信息的URL链接，主要代码如下所示：


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')
        # 有评论数据
        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')
                }
        #没有评论数据
        elif commtent_detailed==None:
            Comment_information={
                'dptitle':Scenery_data['title'],
                'dpContent':'没有评论',
                'dpDate':'没有评论',
                'lineAccess':'没有评论'
            }

首先自定义方法get_data()并传入刚才获取的景点基础信息数据，然后通过景点基础信息的sid来构造评论数据的URL链接，当在构造评论数据的URL时，需要设置pageSize和page这两个变量来获取多条评论和进行翻页，构造URL链接后就发送网络请求。

这里需要注意的是：有些景点是没有评论，所以我们需要通过if语句来进行设置。

创建MySQL数据库

这次我们把数据存放在MySQL数据库中，由于数据比较多，所以我们把数据分为两种数据表，一种是景点基础信息表，一种是景点评论数据表，主要代码如下所示：


#创建数据库
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()
#创建景点信息数据表
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()

首先我们调用pymysql.connect()方法来连接数据库，通过.cursor()获取游标，再通过.execute()方法执行单条的sql语句，执行成功后返回受影响的行数，然后关闭数据库连接，最后调用自定义方法create_table()来创建景点信息数据表。

这里我们只给出了创建景点信息数据表的代码，因为创建数据表只是sql这条语句稍微有点不同，其他都一样，大家可以参考这代码来创建各个景点评论数据表。

保存数据

创建好数据库和数据表后，接下来就要保存数据了，主要代码如下所示：


#保存景点数据到景点数据表中
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()

首先我们调用pymysql.connect()方法来连接数据库，通过.cursor()获取游标，再通过.execute()方法执行单条的sql语句，执行成功后返回受影响的行数，使用了try-except语句，当保存的数据不成功，就调用rollback()方法，撤消当前事务中所做的所有更改，并释放此连接对象当前使用的任何数据库锁。

注意：srr是传入的景点信息数据。

创建线程池

好了，单线程爬虫已经写好了，接下来将创建一个函数来创建我们的线程池，使单线程爬虫变为多线程，主要代码如下所示：


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()

创建线程池的代码很简单就一个with语句和调用map()方法

运行结果如下图所示：

好了，数据已经获取到了，接下来将进行数据分析。

数据可视化

首先我们来分析一下各个景点那个月份游玩的人数最多，这样我们就不用担心去游玩的时机不对了。

我们发现10月、2月、1月去广州长隆飞鸟乐园游玩的人数占总体比例最多。分析完月份后，我们来看看评论情况如何：

可以发现去好评占了绝大部分，可以说：去长隆飞鸟乐园玩耍，去了都说好。看了评论情况，评论内容有什么：

好了，获取旅游景点信息及评论并作词云、数据可视化就讲到这里了。

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/你好赵伟/article/detail/141865