多線程爬蟲小練習

總體思路

使用多線程爬蟲可以提高爬取和儲存的速度拆撼,雖然python中的線程是假的,但對于io操作來說喘沿,多線程是起作用的闸度。
總體思路用生產者與消費者的模型來設計。

  1. 將要爬取的url放入urlQUeue的隊列中
  2. 負責爬取網頁信息的工人(線程)蚜印,從url隊列獲取url莺禁,進行請求,把爬取的網頁信息放入一個dataQueue的隊列中窄赋。
  3. 負責解析的工人哟冬,從dataQueue中獲取網頁信息,進行解析后忆绰,存儲浩峡。
# coding=utf8
import urllib
import urllib2
from lxml import etree
import json
from threading import Thread
from Queue import Queue

CRAWL_EXIT = False
PARSE_EXIT = False

class ThreadCrawl(Thread):
    def __init__(self, threadName, pageQueue, dataQueue):
        super(ThreadCrawl, self).__init__()
        self.pageQueue = pageQueue
        self.dataQueue = dataQueue
        self.threadName = threadName
        self.headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36'}

    def run(self):
        print '%s啟動' %self.threadName
        while not CRAWL_EXIT:
            try:
                # 默認block為true,當隊列空時堵塞错敢,直到有新的元素加入隊列
                page = self.pageQueue.get()
                url = 'https://www.qiushibaike.com/text/page/%d/' % page
                request = urllib2.Request(url, headers=self.headers)
                response = urllib2.urlopen(request).read()
                self.dataQueue.put(response)
            except:
                pass


class ThreadParse(Thread):
    def __init__(self, parseName, dataQueue, fileName):
        super(ThreadParse, self).__init__()
        self.dataQueue = dataQueue
        self.parseName = parseName
        self.fileName = fileName

    def run(self):
        print '%s啟動' %self.parseName
        while not PARSE_EXIT:
            try:
                html = self.dataQueue.get(False)
                self.parse(html)
            except:
                pass

    def parse(self, html):
        text = etree.HTML(html)

        # 創(chuàng)建 模糊查詢的根節(jié)點翰灾,包含每條段子的全部信息
        node_list = text.xpath('//div[contains(@id,"qiushi_tag")]')

        items = {}
        for node in node_list:
            # 內容,取出標簽下的內容 第一個標簽 text
            content = node.xpath('.//div[@class="content"]/span')[0].text

            # 用戶名
            try:
                username = node.xpath('./div[1]/a[2]/h2')[0].text
            except:
                print '沒有用戶'
            items = {'username': username,
                     'content': content}
            self.fileName.write(json.dumps(items, ensure_ascii=False).encode('utf8') + '\n')


def main():
    # 頁碼隊列
    pageQueue = Queue(10)
    for i in range(1, 11):
        pageQueue.put(i)

    # 表示采集好的html源碼隊列
    dataQueue = Queue()

    crawlList = ['采集線程一號', '采集線程二號', '采集線程三號']

    # 啟動三個采集線程
    thread_carwl = []
    for tname in crawlList:
        thread = ThreadCrawl(tname, pageQueue, dataQueue)
        thread.start()
        thread_carwl.append(thread)

    praseList = ['解析線程一號', '解析線程二號', '解析線程三號']
    prase_thread = []
    fileName = open('duanzi.json', 'a')
    for tname in praseList:
        thread = ThreadParse(tname, dataQueue, fileName)
        thread.start()
        prase_thread.append(thread)

    # 頁碼對列不為空時
    while not pageQueue.empty():
        pass

    global CRAWL_EXIT
    CRAWL_EXIT = True

    while not dataQueue.empty():
        pass
    global PARSE_EXIT
    PARSE_EXIT = True

    # 主線程堵塞,等待采集線程完成
    for thread in thread_carwl:
        thread.join()
        print('采集完成')

    for thread in prase_thread:
        thread.join()
        print('寫入完成')

    fileName.close()


if __name__ == '__main__':
    main()
最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市纸淮,隨后出現的幾起案子平斩,更是在濱河造成了極大的恐慌,老刑警劉巖咽块,帶你破解...
    沈念sama閱讀 222,627評論 6 517
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件绘面,死亡現場離奇詭異,居然都是意外死亡侈沪,警方通過查閱死者的電腦和手機揭璃,發(fā)現死者居然都...
    沈念sama閱讀 95,180評論 3 399
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來峭竣,“玉大人塘辅,你說我怎么就攤上這事〗粤茫” “怎么了扣墩?”我有些...
    開封第一講書人閱讀 169,346評論 0 362
  • 文/不壞的土叔 我叫張陵,是天一觀的道長扛吞。 經常有香客問我呻惕,道長,這世上最難降的妖魔是什么滥比? 我笑而不...
    開封第一講書人閱讀 60,097評論 1 300
  • 正文 為了忘掉前任亚脆,我火速辦了婚禮,結果婚禮上盲泛,老公的妹妹穿的比我還像新娘濒持。我一直安慰自己,他們只是感情好寺滚,可當我...
    茶點故事閱讀 69,100評論 6 398
  • 文/花漫 我一把揭開白布柑营。 她就那樣靜靜地躺著,像睡著了一般村视。 火紅的嫁衣襯著肌膚如雪官套。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 52,696評論 1 312
  • 那天蚁孔,我揣著相機與錄音奶赔,去河邊找鬼。 笑死杠氢,一個胖子當著我的面吹牛站刑,可吹牛的內容都是我干的。 我是一名探鬼主播鼻百,決...
    沈念sama閱讀 41,165評論 3 422
  • 文/蒼蘭香墨 我猛地睜開眼笛钝,長吁一口氣:“原來是場噩夢啊……” “哼质况!你這毒婦竟也來了?” 一聲冷哼從身側響起玻靡,我...
    開封第一講書人閱讀 40,108評論 0 277
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎中贝,沒想到半個月后囤捻,有當地人在樹林里發(fā)現了一具尸體,經...
    沈念sama閱讀 46,646評論 1 319
  • 正文 獨居荒郊野嶺守林人離奇死亡邻寿,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 38,709評論 3 342
  • 正文 我和宋清朗相戀三年蝎土,在試婚紗的時候發(fā)現自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片绣否。...
    茶點故事閱讀 40,861評論 1 353
  • 序言:一個原本活蹦亂跳的男人離奇死亡誊涯,死狀恐怖,靈堂內的尸體忽然破棺而出蒜撮,到底是詐尸還是另有隱情暴构,我是刑警寧澤,帶...
    沈念sama閱讀 36,527評論 5 351
  • 正文 年R本政府宣布段磨,位于F島的核電站取逾,受9級特大地震影響,放射性物質發(fā)生泄漏苹支。R本人自食惡果不足惜砾隅,卻給世界環(huán)境...
    茶點故事閱讀 42,196評論 3 336
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望债蜜。 院中可真熱鬧晴埂,春花似錦、人聲如沸寻定。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,698評論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽特姐。三九已至晶丘,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間唐含,已是汗流浹背浅浮。 一陣腳步聲響...
    開封第一講書人閱讀 33,804評論 1 274
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留捷枯,地道東北人滚秩。 一個月前我還...
    沈念sama閱讀 49,287評論 3 379
  • 正文 我出身青樓,卻偏偏與公主長得像淮捆,于是被迫代替她去往敵國和親郁油。 傳聞我的和親對象是個殘疾皇子本股,可洞房花燭夜當晚...
    茶點故事閱讀 45,860評論 2 361

推薦閱讀更多精彩內容

  • Spring Cloud為開發(fā)人員提供了快速構建分布式系統中一些常見模式的工具(例如配置管理,服務發(fā)現桐腌,斷路器拄显,智...
    卡卡羅2017閱讀 134,716評論 18 139
  • 從三月份找實習到現在,面了一些公司案站,掛了不少躬审,但最終還是拿到小米、百度蟆盐、阿里承边、京東、新浪石挂、CVTE博助、樂視家的研發(fā)崗...
    時芥藍閱讀 42,278評論 11 349
  • Android 自定義View的各種姿勢1 Activity的顯示之ViewRootImpl詳解 Activity...
    passiontim閱讀 172,326評論 25 707
  • 使用Fiddler進行弱網模擬 在開發(fā)和測試中或多或少會考慮產品在弱網情況下的表現;針對不同的平臺痹愚,有不同的弱網模...
    小矮人Ethan閱讀 7,286評論 0 10
  • 注:此小說為我的可愛的孩子們一起寫作而成富岳,以此紀念你們一起努力完成一部杰作的日子。 編輯:汪思言里伯,林子熙城瞎,朱炫麒,...
    呦呦鹿鳴edu閱讀 645評論 3 3