快捷導(dǎo)航

python支持多線程的爬蟲實(shí)例

更新時(shí)間：2019年12月21日 10:23:50 作者：zhangtian6691844

今天小編就為大家分享一篇python支持多線程的爬蟲實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧

python是支持多線程的, 主要是通過thread和threading這兩個(gè)模塊來實(shí)現(xiàn)的，本文主要給大家分享python實(shí)現(xiàn)多線程網(wǎng)頁爬蟲

一般來說，使用線程有兩種模式, 一種是創(chuàng)建線程要執(zhí)行的函數(shù), 把這個(gè)函數(shù)傳遞進(jìn)Thread對(duì)象里，讓它來執(zhí)行. 另一種是直接從Thread繼承，創(chuàng)建一個(gè)新的class，把線程執(zhí)行的代碼放到這個(gè)新的class里。

實(shí)現(xiàn)多線程網(wǎng)頁爬蟲，采用了多線程和鎖機(jī)制，實(shí)現(xiàn)了廣度優(yōu)先算法的網(wǎng)頁爬蟲。

先給大家簡單介紹下我的實(shí)現(xiàn)思路：

對(duì)于一個(gè)網(wǎng)絡(luò)爬蟲，如果要按廣度遍歷的方式下載，它是這樣的：

1.從給定的入口網(wǎng)址把第一個(gè)網(wǎng)頁下載下來

2.從第一個(gè)網(wǎng)頁中提取出所有新的網(wǎng)頁地址，放入下載列表中

3.按下載列表中的地址，下載所有新的網(wǎng)頁

4.從所有新的網(wǎng)頁中找出沒有下載過的網(wǎng)頁地址，更新下載列表

5.重復(fù)3、4兩步，直到更新后的下載列表為空表時(shí)停止

python代碼如下：

#!/usr/bin/env python
#coding=utf-8
import threading
import urllib
import re
import time
g_mutex=threading.Condition()
g_pages=[] #從中解析所有url鏈接
g_queueURL=[] #等待爬取的url鏈接列表
g_existURL=[] #已經(jīng)爬取過的url鏈接列表
g_failedURL=[] #下載失敗的url鏈接列表
g_totalcount=0 #下載過的頁面數(shù)
class Crawler:
 def __init__(self,crawlername,url,threadnum):
  self.crawlername=crawlername
  self.url=url
  self.threadnum=threadnum
  self.threadpool=[]
  self.logfile=file("log.txt",'w')
 def craw(self):
  global g_queueURL
  g_queueURL.append(url) 
  depth=0
  print self.crawlername+" 啟動(dòng)..."
  while(len(g_queueURL)!=0):
   depth+=1
   print 'Searching depth ',depth,'...\n\n'
   self.logfile.write("URL:"+g_queueURL[0]+"........")
   self.downloadAll()
   self.updateQueueURL()
   content='\n>>>Depth '+str(depth)+':\n'
   self.logfile.write(content)
   i=0
   while i<len(g_queueURL):
    content=str(g_totalcount+i)+'->'+g_queueURL[i]+'\n'
    self.logfile.write(content)
    i+=1
 def downloadAll(self):
  global g_queueURL
  global g_totalcount
  i=0
  while i<len(g_queueURL):
   j=0
   while j<self.threadnum and i+j < len(g_queueURL):
    g_totalcount+=1
    threadresult=self.download(g_queueURL[i+j],str(g_totalcount)+'.html',j)
    if threadresult!=None:
     print 'Thread started:',i+j,'--File number =',g_totalcount
    j+=1
   i+=j
   for thread in self.threadpool:
    thread.join(30)
   threadpool=[]
  g_queueURL=[]
 def download(self,url,filename,tid):
  crawthread=CrawlerThread(url,filename,tid)
  self.threadpool.append(crawthread)
  crawthread.start()
 def updateQueueURL(self):
  global g_queueURL
  global g_existURL
  newUrlList=[]
  for content in g_pages:
   newUrlList+=self.getUrl(content)
  g_queueURL=list(set(newUrlList)-set(g_existURL)) 
 def getUrl(self,content):
  reg=r'"(http://.+?)"'
  regob=re.compile(reg,re.DOTALL)
  urllist=regob.findall(content)
  return urllist
class CrawlerThread(threading.Thread):
 def __init__(self,url,filename,tid):
  threading.Thread.__init__(self)
  self.url=url
  self.filename=filename
  self.tid=tid
 def run(self):
  global g_mutex
  global g_failedURL
  global g_queueURL
  try:
   page=urllib.urlopen(self.url)
   html=page.read()
   fout=file(self.filename,'w')
   fout.write(html)
   fout.close()
  except Exception,e:
   g_mutex.acquire()
   g_existURL.append(self.url)
   g_failedURL.append(self.url)
   g_mutex.release()
   print 'Failed downloading and saving',self.url
   print e
   return None
  g_mutex.acquire()
  g_pages.append(html)
  g_existURL.append(self.url)
  g_mutex.release()
if __name__=="__main__":
 url=raw_input("請(qǐng)輸入url入口:\n")
 threadnum=int(raw_input("設(shè)置線程數(shù):"))
 crawlername="小小爬蟲"
 crawler=Crawler(crawlername,url,threadnum)
 crawler.craw()

以上這篇python支持多線程的爬蟲實(shí)例就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: