文档章节

Python3写爬虫(四)多线程实现数据爬取

巴鲁
 巴鲁
发布于 2015/04/18 18:00
字数 696
阅读 348
收藏 1

行业解决方案、产品招募中!想赚钱就来传!>>>

前段时间阅读了一篇名为《 [Python]网络爬虫(八):糗事百科的网络爬虫(v0.3)源码及解析(简化更新) 》的博客,基于Python2.7编写,我用Python3将其重构,在前几篇内容的基础上加入了多线程并且用类实现。以下是程序源代码,并对源代码进行解读:


#!/usr/bin/env python3
import queue
import urllib.request as request
import re
import threading
import socket
import time
import urllib.error

class SpiderModel:
    def __init__(self):
        socket.setdefaulttimeout(5)
        self.queue_url=queue.Queue()
        self.queue_text=queue.Queue()
        myUrl = "http://www.qiushibaike.com"
        self.queue_url.put(myUrl)
        self.visited=set()
    
    #从url队列中取出一个url,放如已访问    
    def Get_Page(self):
        #弹出一个队列元素,加入已访问set中
        #取出该url指向的数据,String
        myUrl=self.queue_url.get()
        self.visited |={myUrl}
        
        user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'   
        headers = { 'User-Agent' : user_agent }   
        req = request.Request(myUrl, headers = headers)
        time.sleep(2)
        try:
            myResponse = request.urlopen(req,timeout=3)
        except:
            print('urlopen出问题了')#对于Timeout问题我真的是无语了,查了很多资料也没得到结果
        try:
            myPage = myResponse.read()
        except:
            print('urllib request read出问题了')
        unicodePage = myPage.decode("utf-8",'ignore')
        return unicodePage
    
    def Get_Text(self):
        while True:
            PageString=self.Get_Page()
            #获取每个页面的所有url链接,放入队列queue_url
            linkre = re.compile('href=\"(.+?)\"')
            for x in linkre.findall(PageString):
                if 'http' in x and x not in self.visited:
                    self.queue_url.put(x)
                    #print(x)
        
            #获取每个页面的文章内容,放入队列queue_text中
            myItems = re.findall('<div.*?class="content".*?title="(.*?)">(.*?)</div>',PageString,re.S)    
            for item in myItems:       
                self.queue_text.put(item[0]+item[1])
                #print(item[0]+item[1])

    def Show_Text(self):
        while self.queue_text.not_empty:
            text_one=self.queue_text.get()
            print(text_one)
    
    def Start(self):
        print ('正在加载中请稍候......' )   
        threads=[]#创建线程列表,用于存放需要执行的子线程
        threading.Thread(target=self.Get_Text).start()
        threading.Thread(target=self.Show_Text).start()
    
#----------- 程序的入口处 --------------#    
print ("""  
---------------------------------------  
   程序:糗百爬虫  
   版本:1.0  
   作者:baluw  
   日期:2015-04-04  
   语言:Python 3.4   
   功能:抓取糗事百科,同步显示  
---------------------------------------  
"""  )
    
    
print ('请按下回车浏览今日的糗百内容:' )   
input(' ')
myModel = SpiderModel()    
myModel.Start()
#--------------程序入口-----------------#

程序创建了两个队列(queue)queue_url和queue_text分别存储抓取的网站网址和捕获的文本,一个集合(set)存储已访问的网站。关于利用正则表达式活取URL链接和网站文本内容,在前面文章中也已经介绍了,如果有疑问,可查看前面内容。

最主要的内容,在Start()这个函数,创建两个线程,一个线程活取url和文本并存入队列,另一个线程同步显示已经活取的内容。

但是系统存在问题,一直没法解决,运行了几秒钟,小程序就挂掉了。


巴鲁
粉丝 8
博文 23
码字总数 12631
作品 0
本溪
程序员
私信 提问
加载中
请先登录后再评论。
Netty那点事(三)Channel与Pipeline

Channel是理解和使用Netty的核心。Channel的涉及内容较多,这里我使用由浅入深的介绍方法。在这篇文章中,我们主要介绍Channel部分中Pipeline实现机制。为了避免枯燥,借用一下《盗梦空间》的...

黄亿华
2013/11/24
2W
22
用vertx实现高吞吐量的站点计数器

工具:vertx,redis,mongodb,log4j 源代码地址:https://github.com/jianglibo/visitrank 先看架构图: 如果你不熟悉vertx,请先google一下。我这里将vertx当作一个容器,上面所有的圆圈要...

jianglibo
2014/04/03
4K
3
SQLServer实现split分割字符串到列

网上已有人实现sqlserver的split函数可将字符串分割成行,但是我们习惯了split返回数组或者列表,因此这里对其做一些改动,最终实现也许不尽如意,但是也能解决一些问题。 先贴上某大牛写的s...

cwalet
2014/05/21
9.6K
0
Swift百万线程攻破单例(Singleton)模式

一、不安全的单例实现 在上一篇文章我们给出了单例的设计模式,直接给出了线程安全的实现方法。单例的实现有多种方法,如下面: class SwiftSingleton { } 这段代码的实现,在shared中进行条...

一叶博客
2014/06/20
3.3K
16
beego API开发以及自动化文档

beego API开发以及自动化文档 beego1.3版本已经在上个星期发布了,但是还是有很多人不了解如何来进行开发,也是在一步一步的测试中开发,期间QQ群里面很多人都问我如何开发,我的业余时间实在...

astaxie
2014/06/25
2.7W
22

没有更多内容

加载失败,请刷新页面

加载更多

什么是移动语义? - What is move semantics?

问题: I just finished listening to the Software Engineering radio podcast interview with Scott Meyers regarding C++0x . 我刚刚结束了对Scott Meyers进行的有关C ++ 0x的Software En......

技术盛宴
49分钟前
24
0
算法与数据结构体系课

算法与数据结构体系课【超清原画】 下载地址:百度云盘 从0到工作5年,面试、进大厂、搭建知识体系、拓展技术上限 你不再需要其它算法与数据结构课程了 为什么学算法已经是一个不应该问的问题...

1930133570
今天
21
0
如何停止跟踪并忽略对Git中文件的更改? - How to stop tracking and ignore changes to a file in Git?

问题: I have cloned a project that includes some .csproj files. 我已经克隆了一个包含一些.csproj文件的项目。 I don't need/like my local csproj files being tracked by Git (or bei......

富含淀粉
今天
25
0
Redis阻塞

可能存在问题 内在原因:API或数据结构使用不合理、CPU饱和、持久化阻塞等 外在原因:CPU竞争、内存交换、网络问题等 问题处理: API或数据结构使用不合理,可能存在慢查询或者大对象: 发现...

游泳鸟
今天
17
0
OSChina 周五乱弹 —— 来人,上幼儿园老师跳舞的图!

Osc乱弹歌单(2020)请戳(这里) 【今日歌曲】 小小编辑:《奇跡の海》- 坂本真綾 《奇跡の海》- 坂本真綾 手机党少年们想听歌,请使劲儿戳(这里) 巴蜀(@巴拉迪维)最近有点闹心了, @巴...

小小编辑
今天
64
1

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部