python實現百度網頁採集，增加多線程處理，同時對百度返回的內容進行分類統計

import asyncio
import aiohttp
import threading
from collections import Counter

# 定義一個全局變量，用於存儲分類結果
categories = Counter()

# 定義一個函數，用於根據文本內容進行分類
def classify(text):
    # 這裏可以使用任何文本分類的方法，例如正則表達式、機器學習等
    # 這裏爲了簡單起見，只使用了簡單的字符串匹配
    if "Python" in text:
        return "Python"
    elif "Java" in text:
        return "Java"
    elif "C++" in text:
        return "C++"
    else:
        return "Other"

async def fetch_page(url, proxy):
    # 創建一個 aiohttp 的 ClientSession 對象，並指定代理IP和端口
    async with aiohttp.ClientSession(proxy=proxy) as session:
        # 使用 session.get 方法發送請求，並獲取響應對象
        async with session.get(url) as response:
            # 返回響應的文本內容
            return await response.text()

async def main():
    urls = ["https://www.baidu.com/s?wd=" + str(i) for i in range(10)] # 生成十個百度搜索網址
    
    # 假設有一個文件 16yun.txt，每行存儲一個代理host和端口，例如 www.16yun.cn:3333
    # 讀取文件中的所有代理，並存儲在一個列表中
    with open("16yun.txt") as f:
        proxies = [line.strip() for line in f]
    
    tasks = [] # 創建一個空列表，用於存儲 task 對象
    
    # 遍歷 urls 和 proxies 列表，爲每個 url 配對一個 proxy，並創建 task 對象
    for url, proxy in zip(urls, proxies):
        task = asyncio.create_task(fetch_page(url, proxy))
        tasks.append(task)
    
    results = await asyncio.gather(*tasks) # 同時運行所有 task 並獲取結果
    
    # 創建一個線程池，用於執行分類任務
    pool = threading.ThreadPoolExecutor(max_workers=4)
    
    for result in results:
        print(result[:100]) # 打印每個網頁的前 100 個字符
        
        # 使用線程池提交一個分類任務，並更新全局變量 categories
        category = pool.submit(classify, result).result()
        categories[category] += 1
    
    # 關閉線程池並等待所有任務完成
    pool.shutdown(wait=True)
    
    # 打印最終的分類結果
    print(categories)

asyncio.run(main()) # 運行主協程