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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
|
#!/usr/bin/env python#coding=utf-8import threadingimport urllibimport reimport timeg_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,'...\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): regob=re.compile(reg,re.DOTALL) urllist=regob.findall(content) return urllistclass 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:\n") threadnum=int(raw_input("设置线程数:")) crawlername="小小爬虫" crawler=Crawler(crawlername,url,threadnum) crawler.craw() |
以上代码就是给大家分享的基python实现多线程网页爬虫，希望大家喜欢。
