股票数据的网站抓取(4.2)代码优化
admin
2023-07-30 20:43:20
0

代码优化内容

  1. 开多个浏览器实例
  2. 进一步细分函数,让每个函数的功能更单一
  3. 开多线程,加快抓取处理。
    1. 一个流水线用于抓取网页
    2. 一个流水线用于数据保存
    3. 一个流水线用于错误信息保存.

程序运行情况


运行情况

命令行输出情况


命令行输出情况

代码


#coding=utf-8
from selenium import webdriver
import time
import os
import re
import sys  
import threading
import Queue
import Tkinter as tk
from selenium.common.exceptions import NoSuchElementException
def myinit():
    reload(sys)  
    sys.setdefaultencoding(\'utf8\')

#获取屏幕分辨率
def getscreeninfo():
    #这个没考虑多显示器的问题
    info={}
    root = tk.Tk()
    info[\'width_px\'] = root.winfo_screenwidth()
    info[\'height_px\'] = root.winfo_screenheight() 
    info[\'width_mm\'] = root.winfo_screenmmwidth()
    info[\'height_mm\'] = root.winfo_screenmmheight() 
    # 2.54 cm = in
    info[\'width_in\'] = info[\'width_mm\'] / 25.4
    info[\'height_in\'] = info[\'height_mm\'] / 25.4
    info[\'width_dpi\'] = info[\'width_px\']/info[\'width_in\']
    info[\'height_dpi\'] = info[\'height_px\']/info[\'height_in\'] 
    return info

########################
#生成多个浏览器实例
def makebr(number):
    brs=[]
    for i in range(number):
        br=webdriver.Firefox()
        brs.append(br)
    return brs

#设置所有浏览器实例大小
def setbrsize(brs,x,y):
    for i in brs:
        i.set_window_size(200,200)
#排列打开的浏览器
def layoutbrs(brs,x=0,y=0,dx=10,dy=10,mode=0,hang=0):
    #mode   0,横向, 1,纵向 2,矩形 3,对角线
    #hang   0为尽量按正方形排列
    screeninfo=getscreeninfo()
    if(mode==0):
        dy=0
    elif(mode==1):
        dx=0
    if(mode!=2):
        for i in brs:
            i.set_window_position(x,y)
            x=x+dx
            y=y+dy
    else:
        #这个以后有空再弄
        pass 
        #hang=math.ceil(math.sqrt(len(dbrs)))
#关闭所有浏览器
def closebr(brs):
    for i in brs:
        i.quit()
#######################
#获得指定股票相关数据
def getinfo(mydriver,gourl):
    title=\'//*[@id=\"name\"]\'
    code=\'//*[@id=\"code\"]\'
    hexinshujuxpath=\"/html/body/div[14]/div[1]/div[4]/div[1]\"
    restr=\":\".decode(\'utf8\')
    myre=re.compile(restr,re.I|re.M|re.S)
    linetext=\"\"
    errorinfo=\"\"
    mydriver.get(gourl)
    try:
        gupiaoming=mydriver.find_element_by_xpath(title).text
        gupiaocode=mydriver.find_element_by_xpath(code).text
        hexinshuju=mydriver.find_element_by_class_name(\'pad5\')
        shujuhang=hexinshuju.find_elements_by_tag_name(\'tr\')
        for i in range(len(shujuhang)-2):
            shujulie=shujuhang[i].find_elements_by_tag_name(\'td\')
            tmpshuju=myre.split(shujulie[0].text)
            linetext=linetext+\"~\"+tmpshuju[1]
        shuju=myre.split(shujuhang[8].text)
        linetext=linetext+\"~\"+shuju[1]
        tmpshuju=myre.split(shujuhang[9].text)
        linetext=linetext+\"~\"+tmpshuju[1]
        linetext=\"%s~%s%s\"%(gupiaoming,gupiaocode,linetext)
        #print \"数据:\",linetext
    except  NoSuchElementException,e:
        #print \"不是股票\"
        pass
    except Exception:
        errorinfo= \"非预期错误\"+gourl
        print errorinfo
    finally:
        return linetext,errorinfo

#获得所有股票链接
def geturls(br):

    #通过link对象获得链接地址的text文本
    def getlinkurl(linklist):
        my=[]
        for x in linklist:
            my.append(x.get_attribute(\'href\'))
        return my
    sz=[]
    sh=[]
    br.get(\"http://quote.eastmoney.com/stocklist.html\")
    shxpath=\"/html/body/div[9]/div[2]/div/ul[1]\"
    szxpath=\"/html/body/div[9]/div[2]/div/ul[2]\"
    shgupiao=br.find_element_by_xpath(shxpath)
    szgupiao=br.find_element_by_xpath(szxpath)
    shgupiaolist=shgupiao.find_elements_by_tag_name(\'a\')
    szgupiaolist=szgupiao.find_elements_by_tag_name(\'a\')
    sh=getlinkurl(shgupiaolist)
    sz=getlinkurl(szgupiaolist)
    return sh,sz

#多线程执行用的函数
def thread_getinfo(br,jobslink_queue,jieguo_queue,errorinfo_queue):
    while True:
        try:
            #获得队列里的地址
            url=jobslink_queue.get(False)  #False =Don\'t wait
        except Queue.Empty:
            print \"完成退出\"
            #br.quit()
            return
        #print url
        if(url!=None):
            (linetext,errorinfo)=getinfo(br,url)
            if(linetext!=\"\"):
                jieguo_queue.put(linetext)
            if(errorinfo!=\"\"):
                errorinfo_queue.put(errorinfo)


#######################
#多线程控制函数
def saveinfoabc(info_filename,error_filename,urllist):

    jobslink=Queue.Queue(0)
    jieguo=Queue.Queue(0)
    errorsinfo=Queue.Queue(0)

    for x in urllist[200:250]:#为测试方便这里只取了50,如果要全下载,取消[]就好
        jobslink.put(x)

    #启动线程
    for x in range(THREAD_NUM):
        t=threading.Thread(target=thread_getinfo,args=(brs[x],jobslink,jieguo,errorsinfo))
        t.start()

    f=open(info_filename,\'w\')
    e=open(error_filename,\'w\')
    mycount=0

    while (threading.activeCount()>1) or (not jobslink.empty()):
        while jieguo.qsize()>0 or errorsinfo.qsize()>0:
            if(jieguo.qsize()>0):
                jieguotxt=jieguo.get()
                f.write(jieguotxt+\"\\n\")
            if(errorsinfo.qsize()>0):
                error=errorsinfo.get()
                e.write(error+\"\\n\")
        mycount=mycount+1
        if(mycount%100)==0:
            print \"%d:  活动线程:%d,剩余连接数:%d,结果剩余条数:%d,错误剩余条数:%d\"%(mycount,threading.activeCount(),jobslink.qsize(),jieguo.qsize(),errorsinfo.qsize())
        time.sleep(0.01)
    e.close()
    f.close()

    print \"数据下载完成\"

######################
myinit()

br=webdriver.Firefox()
print \"获得所有链接地址\"
(sh,sz)=geturls(br)
br.quit()

#info_filename=\'shinfo.txt\'
#error_filename=\'sherror.txt\'
THREAD_NUM=10
brs=makebr(THREAD_NUM)
setbrsize(brs,200,300)
layoutbrs(brs ,0,0,80,80,0)

saveinfoabc(\'shinfo.txt\',\'sherror.txt\',sh)
saveinfoabc(\'szinfo.txt\',\'szerror.txt\',sz)
closebr(brs)

相关内容

热门资讯

Mobi、epub格式电子书如... 在wps里全局设置里有一个文件关联,打开,勾选电子书文件选项就可以了。
500 行 Python 代码... 语法分析器描述了一个句子的语法结构,用来帮助其他的应用进行推理。自然语言引入了很多意外的歧义,以我们...
定时清理删除C:\Progra... C:\Program Files (x86)下面很多scoped_dir开头的文件夹 写个批处理 定...
scoped_dir32_70... 一台虚拟机C盘总是莫名奇妙的空间用完,导致很多软件没法再运行。经过仔细检查发现是C:\Program...
65536是2的几次方 计算2... 65536是2的16次方:65536=2⁶ 65536是256的2次方:65536=256 6553...
小程序支付时提示:appid和... [Q]小程序支付时提示:appid和mch_id不匹配 [A]小程序和微信支付没有进行关联,访问“小...
pycparser 是一个用... `pycparser` 是一个用 Python 编写的 C 语言解析器。它可以用来解析 C 代码并构...
微信小程序使用slider实现... 众所周知哈,微信小程序里面的音频播放是没有进度条的,但最近有个项目呢,客户要求音频要有进度条控制,所...
Apache Doris 2.... 亲爱的社区小伙伴们,我们很高兴地向大家宣布,Apache Doris 2.0.0 版本已于...
python清除字符串里非数字... 本文实例讲述了python清除字符串里非数字字符的方法。分享给大家供大家参考。具体如下: impor...