python多线程队列爬虫流程图_python 多线程爬虫 队列queue问题。
思路是 先构造url列表 all_url
然后
for i in range(0, len(all_url)):
urlqueue.put(all_url[i])
然后get 做到每次从列表中取出url
现在问题是,range后面 无法写成 0到列表长度
会显示IndexError: list index out of range
意思是 索引错误:列表索引超出范围
而且列表是没有任何问题的,没有空
而且如果列表长度是2000, 那么只能range(0, 1000),这样就无任何报错
这样就很麻烦
下面是代码
import requests
from lxml import html
import time
import threading
from queue import Queue
class Spider(threading.Thread):
def __init__(self, name, urlqueue):
super().__init__()
self.name = name
self.urlqueue = urlqueue
def run(self):
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 UBrowser/6.2.4094.1 Safari/537.36'
}
print('线程 :' + self.name + '启动')
while not self.urlqueue.empty():
try:
url = self.urlqueue.get()
rep = requests.get(url, headers = headers, timeout = 5)
time.sleep(1)
if rep.status_code == 200:
print("链接成功")
self.parse(rep)
print(url + " 爬取完成")
except Exception as e:
print("主页::" +url + " 链接失败, 原因::", e)
pass
print('线程 :' + self.name + '结束')
def parse(self, rep):
con = rep.content
sel = html.fromstring(con)
title = sel.xpath('//div[@class="titmain"]/h1/text()')
title = str(title).replace(']', '').replace('[', '').replace("'", '').replace(",", '').replace(r"\r\n", "").replace('"', '').replace(' ', '').replace(r'\xa0', '').replace('?', '').replace('/', '').replace(r'\u3000', ' ')
date = sel.xpath('//div[@class="texttit_m1"]/p/text()')
date = str(date).replace(']', '').replace('[', '').replace("'", '').replace(r'\u3000', ' ')
if len(date) > 20:
file_name = title + ".txt"
a = open(file_name, "w+", encoding='utf-8')
a.write('\n' + str(title) + '\n' + '\n' + str(date))
print(file_name + '保存成功')
a.close
else:
pass
if name == '__main__':
with open('未爬取url.txt') as f:
data = f.readline()
#读取数据行
james = data.strip().split(',')
#将数据转换为列表
all_url = []
for jame in james:
a=eval(jame)
#去除ifu两端引号
all_url.append(a)
print(len(all_url))
start = time.time()
urlqueue = Queue()
threadNum = 3 #线程数量
for i in range(0, 1468):
urlqueue.put(all_url[i]) #问题在这里
del all_url[i]
threads = []
for i in range(1, threadNum+1):
thread = Spider("线程" + str(i), urlqueue)
thread.start()
threads.append(thread)
for thread in threads:
thread.join()
with open('未爬取url.txt', 'w+') as b:
b.write('\n'.join([str(all_url)]))
b.write('\n' + '=' *50 + '\n')
b.close
print(' 未爬取url 保存完成')
end = time.time()
print("-------------------------------")
print("下载完成. 用时{}秒".format(end-start))
另外 url是从txt读的 不知道怎么传上来, 最后构造的all_url列表是肯定没有问题的
python多线程队列爬虫流程图_python 多线程爬虫 队列queue问题。相关推荐
- 树莓派python爬虫 股票_Python树莓派 爬虫心得
平台: 树莓派 linux 语言:python 搞一个爬虫都清楚是怎么回事,我这里玩过之后有下面的心得: 为什么要用树莓派呢,省电啊,没乱七八糟的桌面问题,可以一直开着. 1.树莓派上的磁盘写入对于不 ...
- python 爬虫框架_Python网络爬虫-scrapy框架的使用
1. Scrapy 1.1 Scrapy框架的安装 Scrapy是一个十分强大的爬虫框架,依赖的库比较多,至少需要依赖的库有Twisted .lxml和pyOpenSSL.在不同的平台环境下,它所依赖 ...
- python 爬虫论_Python网络爬虫(理论篇)
欢迎关注公众号:Python爬虫数据分析挖掘,回复[开源源码]免费获取更多开源项目源码 网络爬虫的组成 网络爬虫由控制节点,爬虫节点,资源库构成. 网络爬虫的控制节点和爬虫节点的结构关系 控制节点(爬 ...
- java爬虫框架_Python,爬虫开发的不二选择
互联网是由一个个站点和网络设备组成的大网,我们通过浏览器访问站点,站点把HTML.JS.CSS代码返回给浏览器,这些代码经过浏览器解析.渲染,将丰富多彩的网页呈现我们眼前. 如果我们把互联网比作一张大 ...
- python实现栈的操作_python简单实现队列和栈push、pop操作
栈: # -*- coding: utf-8 -*- #定义序列 lst=[] def pop(): if(len(lst)==0): print"栈为空","无法出栈& ...
- python2 队列的使用_python双端队列原理、实现与使用方法分析
本文实例讲述了python双端队列原理.实现与使用方法.分享给大家供大家参考,具体如下: 双端队列 双端队列(deque,全名double-ended queue),是一种具有队列和栈的性质的数据结构 ...
- python可以开多少线程_python多线程详解
python多线程详解 一.线程介绍 什么是线程 线程(Thread)也叫轻量级进程,是操作系统能够进行运算调度的最小单位,它被包涵在进程之中,是进程中的实际运作单位.线程自己不拥有系统资源,只拥有一 ...
- python分别统计男女人数_python实现爬虫统计学校BBS男女比例(一),python男女比例...
python实现爬虫统计学校BBS男女比例(一),python男女比例 一.项目需求 前言:BBS上每个id对应一个用户,他们注册时候会填写性别(男.女.保密三选一). 经过检查,BBS注册用户的id ...
- python爬虫去重_Python网络爬虫(7):URL去重
摘要:从零开始写爬虫,初学者的速成指南! 封面: image 本期我们来聊聊URL去重那些事儿.以前我们曾使用Python的字典来保存抓取过的URL,目的是将重复抓取的URL去除,避免多次抓取同一网页 ...
最新文章
- Fedora 7 播放器totem
- Eclipse Plug-in Hello world
- 作者:马浚诚(1987-),男,中国农业科学院农业环境与可持续发展研究所助理研究员。...
- 本人24岁,女,现在是一所双非大学的大四本科生,被保研到了华中师范大学,应该去读吗?
- Django中admin
- Linux网络编程--socket
- Java面试准备(一)
- 怎么制作真人qq秀_NBA赛事最震撼的开场秀
- linux iozone测试工具,iozone命令 – 进行linux下的硬盘性能测试
- Python-玩转数据-XML 解析
- 局域网中电脑ping不通解决办法
- 跟着ALEX 学python day2 基础2 模块 数据类型 运算符 列表 元组 字典 字符串的常用操作...
- OpenJudge1661:Bomb Game(翻译 day 6)
- ai条码插件免安装_AI条形码插件(含支持Illustrator cs6的条码脚本插件)
- pitfall when implementing multiple interfaces
- arduino nano + nrf24
- linux替换屏幕保护进程,有没有一个体面的方式来阻止linux中的屏幕保护程序?...
- 【欣赏】一组唯美的图片
- 车企围攻整车OS,这张“新王牌”怎么打?
- 阿里云 ECS 服务器上如何搭建 Hadoop 集群详细步骤图解
热门文章
- QStyleOptionGraphicsItem实现自绘按钮悬浮按下状态
- 开源项目管理软件 禅道
- Linux 基础知识(九)
- 算法4------字符串的字典序最长子序列
- 新同事,git又报错Please move or remove them before you merge
- 公布自己的pods到CocoaPods trunk 及问题记录
- Run P4 without P4factory - A Simple Example In Tutorials. -2
- 如何安装使用MQCache缓存服务器(适用X300型或者X500型)
- Lucene.Net(转)
- 安装中文版cacti监控华为交换机流量并实现95计费