Python爬虫练习(三)多线程爬取NCBI genome搜索结果并存储基因组详情页物种名+基因组信息统计(requests+selenium+xpath+线程池)

由于ncbi的genome搜索结果的页面对应的翻页操作发送的请求是个post请求,并且其参数众多不太好用requests模块直接请求到页面,因此直接用selenium模拟翻页操作获得每页源码数据即可,由于结果比较多,因此考虑使用多线程/异步/多进程等等,这里用的是线程池的操作,我在这里调用8个线程,针对是哺乳类基因组页面的搜索结果,还是比较快的,一共22页,每个步骤/参数/函数的作用都标注出来了。

from lxml import etree
from selenium import webdriver
from multiprocessing.dummy import Pool
from functools import partial 
import os
import requests
# 实现无可视化界面
from selenium.webdriver.chrome.options import Options
# 实现规避检测
from selenium.webdriver import ChromeOptions


def setoption():
    """
    谷歌浏览器常规反反爬的参数设置
    """
    # 实现无可视化界面的操作
    chrome_options = Options()
    chrome_options.add_experimental_option(
        'excludeSwitches', ['enable-logging'])
    chrome_options.add_argument("--headless")
    chrome_options.add_argument("--disable-gpu")
    # 实现规避检测
    option = ChromeOptions()
    option.add_experimental_option("excludeSwitches",
                                   ["enable-automation"])
    return chrome_options, option


def getonepage(pagetext, filepath):
    """
    得到一页所有物种对应详情页的物种名+基因组信息统计,
    并且写入到文件当中。
    """
    tree = etree.HTML(pagetext)
    initurl = "https://www.ncbi.nlm.nih.gov"
    div_list = tree.xpath(
        '//*[@id="maincontent"]/div/div[5]/div[@class="rprt"]')
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 \
            (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36"
    }
    for div in div_list:
        detail_url = initurl + div.xpath('.//p/a/@href')[0]
        response = requests.get(detail_url, headers=headers)
        response = response.content.decode()
        detail_html = bytes(bytearray(response, encoding='utf-8'))
        detail_tree = etree.HTML(detail_html)
        name = detail_tree.xpath(
            '//*[@id="maincontent"]/div/div[5]/div/div[2]/table[1]//tr//span[1]/text()')[0]
        summary = "".join(detail_tree.xpath(
            '//*[@id="mmtest1"]/div/div/div/table//tr//text()'))
        print(name, summary, sep="\n")
        with open(filepath, "a", encoding="utf-8") as fp:
            fp.write(name+"\n"+summary+"\n")


def mainprocess(chrome_options, option, executable_path, filepath, thread=4):
    """
    开启selenium无头浏览器,先得到每一页的源码数据存储,
    然后用每页源码数据作为参数,进行多线程搭建。
    """
    # 让selenium规避被检测到的风险
    bro = webdriver.Chrome(executable_path=executable_path,
                           chrome_options=chrome_options,
                           options=option)
    bro.get("https://www.ncbi.nlm.nih.gov/genome/?term=txid40674%5BOrganism%3Aexp%5D")
    # 生成用于多线程使用的参数列表
    pagetext_list = []
    # 获取当前页源码数据
    pagetext = bro.page_source
    print("Append page1 to the queue.")
    pagetext_list.append(pagetext)
    # 获取全部页码总数
    allpagetree = etree.HTML(pagetext)
    allpage = int(allpagetree.xpath('//*[@id="pageno2"]/@last')[0])
    # 将每页的源码数据加入多线程参数列表
    for pagenum in range(2, allpage+1):
        next_btn = bro.find_element_by_xpath(
            "/html/body/div[1]/div[1]/form/div[1]/div[4]/div/div[7]/div/a[1]")
        next_btn.click()
        pagetext = bro.page_source
        print(f"Append page{pagenum} to the queue.")
        pagetext_list.append(pagetext)
    # 检测是否存在之前的文件
    if os.path.isfile(filepath):
        os.remove(filepath)
    # 多线程使用
    pool = Pool(thread)
    # param = {pagetext: pagetext_list, filepath: filepath}
    pool.map(partial(getonepage, filepath=filepath), pagetext_list)
    pool.close()
    pool.join()
    bro.quit()


if __name__ == "__main__":
    chrome_options, option = setoption()
    mainprocess(chrome_options, option,
                r"chromedriver.exe", "genomeinfo.txt", 8)
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,547评论 6 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,399评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,428评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,599评论 1 274
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,612评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,577评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,941评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,603评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,852评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,605评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,693评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,375评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,955评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,936评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,172评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 43,970评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,414评论 2 342