Queue(队列对象)

Queue是python中的标准库,可以直接import Queue引用;队列是线程间最常用的交换数据的形式

python下多线程的思考

对于资源,加锁是个重要的环节。因为python原生的list,dict等,都是not thread safe的。而Queue,是线程安全的,因此在满足使用条件下,建议使用队列

  1. 初始化: class Queue.Queue(maxsize) FIFO 先进先出

  2. 包中的常用方法:

    • Queue.qsize() 返回队列的大小

    • Queue.empty() 如果队列为空,返回True,反之False

    • Queue.full() 如果队列满了,返回True,反之False

    • Queue.full 与 maxsize 大小对应

    • Queue.get([block[, timeout]])获取队列,timeout等待时间

  3. 创建一个“队列”对象

    • import Queue
    • myqueue = Queue.Queue(maxsize = 10)
  4. 将一个值放入队列中

    • myqueue.put(10)
  5. 将一个值从队列中取出

  • myqueue.get()
  1 # -*- coding:utf-8 -*-
  2
  3 # 使用了线程库
  4 import threading
  5 # 队列
  6 from Queue import Queue
  7 # 解析库
  8 from lxml import etree
  9 # 请求处理
 10 import requests
 11 # json处理
 12 import json
 13 import time
 14
 15 class ThreadCrawl(threading.Thread):
 16     def __init__(self, threadName, pageQueue, dataQueue):
 17         #threading.Thread.__init__(self)
 18         # 调用父类初始化方法
 19         super(ThreadCrawl, self).__init__()
 20         # 线程名
 21         self.threadName = threadName
 22         # 页码队列
 23         self.pageQueue = pageQueue
 24         # 数据队列
 25         self.dataQueue = dataQueue
 26         # 请求报头
 27         self.headers = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
 28
 29     def run(self):
 30         print "启动 " + self.threadName
 31         while not CRAWL_EXIT:
 32             try:
 33                 # 取出一个数字,先进先出
 34                 # 可选参数block,默认值为True
 35                 #1. 如果对列为空,block为True的话,不会结束,会进入阻塞状态,直到队列有新的数据
 36                 #2. 如果队列为空,block为False的话,就弹出一个Queue.empty()异常,
 37                 page = self.pageQueue.get(False)
 38                 url = "http://www.qiushibaike.com/8hr/page/" + str(page) +"/"
 39                 #print url
 40                 content = requests.get(url, headers = self.headers).text
 41                 time.sleep(1)
 42                 self.dataQueue.put(content)
 43                 #print len(content)
 44             except:
 45                 pass
 46         print "结束 " + self.threadName
 47
 48 class ThreadParse(threading.Thread):
 49     def __init__(self, threadName, dataQueue, filename, lock):
 50         super(ThreadParse, self).__init__()
 51         # 线程名
 52         self.threadName = threadName
 53         # 数据队列
 54         self.dataQueue = dataQueue
 55         # 保存解析后数据的文件名
 56         self.filename = filename
 57         # 锁
 58         self.lock = lock
 59
 60     def run(self):
 61         print "启动" + self.threadName
 62         while not PARSE_EXIT:
 63             try:
 64                 html = self.dataQueue.get(False)
 65                 self.parse(html)
 66             except:
 67                 pass
 68         print "退出" + self.threadName
 69
 70     def parse(self, html):
 71         # 解析为HTML DOM
 72         html = etree.HTML(html)
 73
 74         node_list = html.xpath('//div[contains(@id, "qiushi_tag")]')
 75
 76         for node in node_list:
 77             # xpath返回的列表,这个列表就这一个参数,用索引方式取出来,用户名
 78             username = node.xpath('.//img/@alt')[0]
 79             # 图片连接
 80             image = node.xpath('.//div[@class="thumb"]//@src')#[0]
 81             # 取出标签下的内容,段子内容
 82             content = node.xpath('.//div[@class="content"]/span')[0].text
 83             # 取出标签里包含的内容,点赞
 84             zan = node.xpath('.//i')[0].text
 85             # 评论
 86             comments = node.xpath('.//i')[1].text
 87
 88             items = {
 89                 "username" : username,
 90                 "image" : image,
 91                 "content" : content,
 92                 "zan" : zan,
 93                 "comments" : comments
 94             }
 95
 96             # with 后面有两个必须执行的操作:__enter__ 和 _exit__
 97             # 不管里面的操作结果如何,都会执行打开、关闭
 98             # 打开锁、处理内容、释放锁
 99             with self.lock:
100                 # 写入存储的解析后的数据
101                 self.filename.write(json.dumps(items, ensure_ascii = False).encode("utf-8") + "\n")
102
103 CRAWL_EXIT = False
104 PARSE_EXIT = False
105
106
107 def main():
108     # 页码的队列,表示20个页面
109     pageQueue = Queue(20)
110     # 放入1~10的数字,先进先出
111     for i in range(1, 21):
112         pageQueue.put(i)
113
114     # 采集结果(每页的HTML源码)的数据队列,参数为空表示不限制
115     dataQueue = Queue()
116
117     filename = open("duanzi.json", "a")
118     # 创建锁
119     lock = threading.Lock()
120
121     # 三个采集线程的名字
122     crawlList = ["采集线程1号", "采集线程2号", "采集线程3号"]
123     # 存储三个采集线程的列表集合
124     threadcrawl = []
125     for threadName in crawlList:
126         thread = ThreadCrawl(threadName, pageQueue, dataQueue)
127         thread.start()
128         threadcrawl.append(thread)
129
130
131     # 三个解析线程的名字
132     parseList = ["解析线程1号","解析线程2号","解析线程3号"]
133     # 存储三个解析线程
134     threadparse = []
135     for threadName in parseList:
136         thread = ThreadParse(threadName, dataQueue, filename, lock)
137         thread.start()
138         threadparse.append(thread)
139
140     # 等待pageQueue队列为空,也就是等待之前的操作执行完毕
141     while not pageQueue.empty():
142         pass
143
144     # 如果pageQueue为空,采集线程退出循环
145     global CRAWL_EXIT
146     CRAWL_EXIT = True
147
148     print "pageQueue为空"
149
150     for thread in threadcrawl:
151         thread.join()
152         print "1"
153
154     while not dataQueue.empty():
155         pass
156
157     global PARSE_EXIT
158     PARSE_EXIT = True
159
160     for thread in threadparse:
161         thread.join()
162         print "2"
163
164     with lock:
165         # 关闭文件
166         filename.close()
167     print "谢谢使用!"
168
169 if __name__ == "__main__":
170     main()

转载于:https://www.cnblogs.com/wanglinjie/p/9196851.html

多线程糗事百科案例(python2)相关推荐

  1. 爬虫——多线程糗事百科案例

    Queue(队列对象) Queue是python中的标准库,可以直接import Queue引用;队列是线程间最常用的交换数据的形式 python下多线程的思考 对于资源,加锁是个重要的环节.因为py ...

  2. python多线程糗事百科案例

    案例:多线程爬虫 目标:爬取糗事百科段子,待爬取页面URL:http://www.qiushibaike.com/8hr/page/1 要求: 使用requests获取页面信息,用XPATH/re 做 ...

  3. python3多线程实例_python3多线程糗事百科案例

    1 #使用了线程库 2 importthreading3 #队列 4 importqueue5 #解析库 6 from lxml importetree7 #请求处理 8 importrequests ...

  4. Python爬虫实战糗事百科实例

    爬取糗事百科段子,假设页面的URL是 http://www.qiushibaike.com/8hr/page/1 要求: 使用requests获取页面信息,用XPath / re 做数据提取 获取每个 ...

  5. Python爬取糗事百科段子

    Python爬取糗事百科段子 Python2.7.15 今天我们来爬取糗事百科的段子 一.获取糗事百科的网页源码 首先,打开浏览器,进入糗事百科,复制它的网址. 然后我们翻个页,可以看到,网址变成了这 ...

  6. python爬虫案例——糗事百科数据采集

    全栈工程师开发手册 (作者:栾鹏) python教程全解 python爬虫案例--糗事百科数据采集 通过python实现糗事百科页面的内容采集是相对来说比较容易的,因为糗事百科不需要登陆,不需要coo ...

  7. python多线程爬取段子_Python爬虫实例-多线程爬虫糗事百科搞笑内涵段子

    学习爬虫,其乐无穷! 今天给大家带来一个爬虫案例,爬取糗事百科搞笑内涵段子. 爬取糗事百科段⼦,假设⻚⾯的 URL 是:http://www.qiushibaike.com/8hr/page/1 一. ...

  8. 网络爬虫--15.【糗事百科实战】多线程实现

    文章目录 一. Queue(队列对象) 二. 多线程示意图 三. 代码示例 一. Queue(队列对象) Queue是python中的标准库,可以直接import Queue引用;队列是线程间最常用的 ...

  9. 爬虫案例若干-爬取CSDN博文,糗事百科段子以及淘宝的图片

    前面学习了基本的浏览器伪装的方式,现在来看三个实例: 例1 爬取CSDN首页的博文 思路很简单,伪装浏览器之后,通过正则获取对应的url链接,然后把对应的url的文章都下载下来 #!/usr/bin/ ...

最新文章

  1. Ajax应用开发:实践者指南
  2. 【量化投资】策略四(聚宽)
  3. Android中集成Jpush实现推送消息通知与根据别名指定推送附示例代码下载
  4. Python 学习之作用域
  5. IOS开发之Cocoa编程—— NSUndoManager
  6. 对口高考计算机vf试题,计算机对口升学模拟答案.doc
  7. python将excel表按地方拆分_Python将一个Excel拆分为多个Excel
  8. andrew ng 机器学习笔记_所有笔记目录 | 数据分析 | 机器学习 | 深度学习等
  9. C/C++ sizeof(上)
  10. 朋友圈点赞点用例的设计点
  11. Windows10 Virtualization Technology虚拟化技术功能
  12. 安装vs2013以后,链接数据库总是报内存损坏,无法写入的错误
  13. 数据-第14课-栈的定义及实现
  14. java使用ffmpeg进行视频处理
  15. 【自动驾驶】ROS机器人操作系统总结
  16. 色彩构成与搭配——人对色彩的感觉
  17. window 开发hadoop
  18. Xposed模块APP代码混淆
  19. RHCSA——第四天
  20. 瓜子二手车2019秋招算法笔试卷1

热门文章

  1. 《Essential C++》笔记之设计一个泛型算法(二)
  2. 计算机竞赛满分学霸,湖北学霸斩获信息学奥赛金牌 将直接保送清华大学 立志做一名计算机科学家...
  3. win8计算机里没有用户,win8.1系统没有选择切换账户菜单怎么办|win8.1系统切换用户的方法...
  4. python面试题及答案pdf_python面试题及答案
  5. finally 嵌套_学习 Rust【2】减少代码嵌套
  6. c++遍历文件夹下的文件_算法面试|开发者必备|使用递归函数进行无限分类及文件夹遍历...
  7. diy无感无刷电机霍尔安装_从工作原理来了解意大利Brusatori无刷电机
  8. es怎么返回全部查询结果_es的返回数据结构
  9. Java三层结构的概念_Java中的mvc和三层结构究竟是什么关系
  10. C++socket编程(七):7.2 XHttp项目创建接收浏览器请求