python多线程爬虫实例-python支持多线程的爬虫实例

python是支持多线程的, 主要是通过thread和threading这两个模块来实现的，本文主要给大家分享python实现多线程网页爬虫

一般来说，使用线程有两种模式, 一种是创建线程要执行的函数, 把这个函数传递进Thread对象里，让它来执行. 另一种是直接从Thread继承，创建一个新的class，把线程执行的代码放到这个新的class里。

实现多线程网页爬虫，采用了多线程和锁机制，实现了广度优先算法的网页爬虫。

先给大家简单介绍下我的实现思路：

对于一个网络爬虫，如果要按广度遍历的方式下载，它是这样的：

1.从给定的入口网址把第一个网页下载下来

2.从第一个网页中提取出所有新的网页地址，放入下载列表中

3.按下载列表中的地址，下载所有新的网页

4.从所有新的网页中找出没有下载过的网页地址，更新下载列表

5.重复3、4两步，直到更新后的下载列表为空表时停止

python代码如下：

#!/usr/bin/env python

#coding=utf-8

import threading

import urllib

import re

import time

g_mutex=threading.Condition()

g_pages=[] #从中解析所有url链接

g_queueURL=[] #等待爬取的url链接列表

g_existURL=[] #已经爬取过的url链接列表

g_failedURL=[] #下载失败的url链接列表

g_totalcount=0 #下载过的页面数

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+" 启动..."

while(len(g_queueURL)!=0):

depth+=1

print 'Searching depth ',depth,'... '

self.logfile.write("URL:"+g_queueURL[0]+"........")

self.downloadAll()

self.updateQueueURL()

content=' >>>Depth '+str(depth)+': '

self.logfile.write(content)

i=0

while i

content=str(g_totalcount+i)+'->'+g_queueURL[i]+' '

self.logfile.write(content)

i+=1

def downloadAll(self):

global g_queueURL

global g_totalcount

i=0

while i

j=0

while j

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("请输入url入口: ")

threadnum=int(raw_input("设置线程数:"))

crawlername="小小爬虫"

crawler=Crawler(crawlername,url,threadnum)

crawler.craw()

以上这篇python支持多线程的爬虫实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。

python多线程爬虫实例-python支持多线程的爬虫实例相关推荐

linux下使用python截图_linux多线程网页截图-python
上一篇中( linux多线程网页截图-shell ),使用shell多进程对大量的网站截图,大大减少了截图的时间.但慢慢的也发现了这种方式的弊端:每个进程分配的网站数量是相等的,有些进程截图较快,有些 ...
Python精确指南——第三章 Selenium和爬虫
3 Selenium 3.1 介绍网络爬虫在互联网领域有着广泛的应用. Selenium是一个页面自动化控制框架.能够模拟实际操作,自动化获取网站提供的页面资源信息. Selen ...
『Python学习笔记』Python实现并发编程(补充joblibpymysql)
Python实现并发编程(补充joblib&pymysql) 文章目录一. 并发编程知识点 1.1. 为什么引入并发编程 1.2. 如何选择多线程多进程多协程 1.2.1. 什么是CPU密集 ...
python多线程爬虫实例-Python多线程在爬虫中的应用
题记:作为测试工程师经常需要解决测试数据来源的问题,解决思路无非是三种:(1)直接从生产环境拷贝真实数据 (2)从互联网上爬取数据 (3)自己用脚本或者工具造数据.前段时间,为了获取更多的测试数据,笔 ...
python多线程爬虫实例-Python多线程爬虫简单示例
python是支持多线程的,主要是通过thread和threading这两个模块来实现的.thread模块是比较底层的模块,threading模块是对thread做了一些包装的,可以更加方便的使用. ...
python多线程爬虫实例-Python实现多线程爬虫
编辑推荐: 本文主要介绍对Python多线程爬虫实战的整体的思路,希望对大家有帮助. 本文来知乎,由火龙果软件Alice编辑,推荐. 最近在写爬虫程序爬取亚马逊上的评论信息,因此也自学了很多爬虫相关的 ...
python多线程爬虫实例-python多线程爬虫实例讲解
Python作为一门强大的脚本语言,我们经常使用python来写爬虫程序,简单的爬虫会写,可是用python写多线程网页爬虫,应该如何写呢?一般来说,使用线程有两种模式,一种是创建线程要执行的函数,把 ...
Python 爬虫进阶五之多线程的用法
我们之前写的爬虫都是单个线程的?这怎么够?一旦一个地方卡到不动了,那不就永远等待下去了?为此我们可以使用多线程或者多进程来处理. 首先声明一点! 多线程和多进程是不一样的!一个是 thread 库,一 ...
python scrapy框架基如何实现多线程_【转】爬虫的一般方法、异步、并发与框架scrapy的效率比较...
问题的由来我们的需求为爬取红色框框内的名人(有500条记录,图片只展示了一部分)的名字以及其介绍,关于其介绍,点击该名人的名字即可,如下图: 这就意味着我们需要爬取500个这样的页面,即500个H ...

python多线程爬虫实例-python支持多线程的爬虫实例

python多线程爬虫实例-python支持多线程的爬虫实例相关推荐

最新文章

热门文章