多线程爬取知乎答案中的高清图片(知乎钓鱼图片真的很多,,,,),使用jupyter可以直接运行

本文主要是介绍多线程爬取知乎答案中的高清图片(知乎钓鱼图片真的很多,,,,),使用jupyter可以直接运行,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

'''需要用到的'''
import requests
import re
import json
import time
from multiprocessing.dummy import Pool
headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36 Edg/91.0.864.64',
'sec-ch-ua': '" Not;A Brand";v="99", "Microsoft Edge";v="91", "Chromium";v="91"'}
begin = 0在这里插入代码片
'''获取图片url并存入json文件'''
fp = open('you yi ge piao liang de mei mei.json', 'a', encoding = 'utf-8')
while 1:offset = 20 * beginurl = f'https://www.zhihu.com/api/v4/questions/28152313/answers?include=data%2Ccontent&limit=20&offset={offset}''''这个网址就是随便打开一个问题,然后打开调试模式(F12>F5刷新>调试模式里面的网络>XHR>然后滚动鼠标让页面多加载几个回答,知乎默认五个回答会请求一次XHR文件,然后你就会看到一个名为answer,,,,的XHR,是json格式,我们在构建url的时候,把知乎默认的5个answer一次xhr改为20,即limit=20(再大好像出错),然后offset即偏移量,我们从0开始,然后加载了0-19共20个回答,下一次加载就需要跳过这20个,offset=20,以此类推'''begin += 1r = requests.get(url,headers=headers)r.encoding = 'utf8'data = r.json()['data']if not data:breakfor data_ in data:res = data_['content']try:pic_url = re.findall("<noscript>.*?original=\"(.*?)\?.*?</noscript>",res)'''感觉re正则表达式非常强大,有了它就可以舍弃bs4,xpath等等之类的,这里的代码采用了非贪婪模式,因为每个回答有很多的图片,所以有很多的<noscript>,,,</noscript>,非贪婪模式就只会匹配最先遇到的。这行代码里面的\是转义字符,表示其后面的那个字符不具有特俗含义了,就是个普通字符了'''for url in pic_url:fp.write(json.dumps(url)+'\n')except:continue
fp.close()
'''多线程下载图片'''
def f(url):data = requests.get(url,headers = headers)with open(f'H:/zhihu_answer/'+re.findall('.*/(.*)',url)[0],'wb') as dd:dd.write(data.content)if __name__ == "__main__":pool = Pool(processes=10)'''python自带的multiprocessing多进程库其中.dummy是用threading写的包含multiprocessing库中各种函数的多线程库,也就是说俩函数一样,就是一个是多进程一个多线程,多线程的应用不需要再去使用threading库去构造了,人家已经给你封装好了。但是切记,多线程多进程一定要在if __name__ == "__main__":下运行,不然会报错'''with open('mei mei.json', 'r', encoding = 'utf-8') as fp:url_list = fp.readlines()for url_ in url_list:url = json.loads(url_)pool.apply_async(f,(url,))pool.close()pool.join()

这篇关于多线程爬取知乎答案中的高清图片(知乎钓鱼图片真的很多,,,,),使用jupyter可以直接运行的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1028114

相关文章

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

Hadoop数据压缩使用介绍

一、压缩原则 (1)运算密集型的Job,少用压缩 (2)IO密集型的Job,多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1)为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器 2)要在Hadoop中启用压缩,可以配置如下参数

Makefile简明使用教程

文章目录 规则makefile文件的基本语法:加在命令前的特殊符号:.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具,常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件

如何用Docker运行Django项目

本章教程,介绍如何用Docker创建一个Django,并运行能够访问。 一、拉取镜像 这里我们使用python3.11版本的docker镜像 docker pull python:3.11 二、运行容器 这里我们将容器内部的8080端口,映射到宿主机的80端口上。 docker run -itd --name python311 -p

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

pdfmake生成pdf的使用

实际项目中有时会有根据填写的表单数据或者其他格式的数据,将数据自动填充到pdf文件中根据固定模板生成pdf文件的需求 文章目录 利用pdfmake生成pdf文件1.下载安装pdfmake第三方包2.封装生成pdf文件的共用配置3.生成pdf文件的文件模板内容4.调用方法生成pdf 利用pdfmake生成pdf文件 1.下载安装pdfmake第三方包 npm i pdfma

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

git使用的说明总结

Git使用说明 下载安装(下载地址) macOS: Git - Downloading macOS Windows: Git - Downloading Windows Linux/Unix: Git (git-scm.com) 创建新仓库 本地创建新仓库:创建新文件夹,进入文件夹目录,执行指令 git init ,用以创建新的git 克隆仓库 执行指令用以创建一个本地仓库的

【北交大信息所AI-Max2】使用方法

BJTU信息所集群AI_MAX2使用方法 使用的前提是预约到相应的算力卡,拥有登录权限的账号密码,一般为导师组共用一个。 有浏览器、ssh工具就可以。 1.新建集群Terminal 浏览器登陆10.126.62.75 (如果是1集群把75改成66) 交互式开发 执行器选Terminal 密码随便设一个(需记住) 工作空间:私有数据、全部文件 加速器选GeForce_RTX_2080_Ti