python支持多線程的爬蟲實例

今天小編就爲大家分享一篇python支持多線程的爬蟲實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
ython是支持多線程的, 主要是通過thread和threading這兩個模塊來實現的，本文主要給大家分享python實現多線程網頁爬蟲

一般來說，使用線程有兩種模式, 一種是創建線程要執行的函數, 把這個函數傳遞進Thread對象裏，讓它來執行. 另一種是直接從Thread繼承，創建一個新的class，把線程執行的代碼放到這個新的class裏。

實現多線程網頁爬蟲，採用了多線程和鎖機制，實現了廣度優先算法的網頁爬蟲。

先給大家簡單介紹下我的實現思路：

對於一個網絡爬蟲，如果要按廣度遍歷的方式下載，它是這樣的：

1.從給定的入口網址把第一個網頁下載下來

2.從第一個網頁中提取出所有新的網頁地址，放入下載列表中

3.按下載列表中的地址，下載所有新的網頁

4.從所有新的網頁中找出沒有下載過的網頁地址，更新下載列表

5.重複3、4兩步，直到更新後的下載列表爲空表時停止

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
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+" 啓動..."
  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("請輸入url入口:\n")
 threadnum=int(raw_input("設置線程數:"))
 crawlername="小小爬蟲"
 crawler=Crawler(crawlername,url,threadnum)
 crawler.craw()

推薦我們的python學習基地，看老程序是如何學習的！從基礎的python腳本、爬蟲、django、數據挖掘等編程技術，工作經驗，還有前輩精心爲學習python的小夥伴整理零基礎到項目實戰的資料，！每天都有程序員定時講解Python技術，分享一些學習的方法和需要留意的小細節
以上這篇python支持多線程的爬蟲實例就是小編分享給大家的全部內容了，希望能給大家一個參考