最新文章专题视频专题问答1问答10问答100问答1000问答2000关键字专题1关键字专题50关键字专题500关键字专题1500TAG最新视频文章推荐1 推荐3 推荐5 推荐7 推荐9 推荐11 推荐13 推荐15 推荐17 推荐19 推荐21 推荐23 推荐25 推荐27 推荐29 推荐31 推荐33 推荐35 推荐37视频文章20视频文章30视频文章40视频文章50视频文章60 视频文章70视频文章80视频文章90视频文章100视频文章120视频文章140 视频2关键字专题关键字专题tag2tag3文章专题文章专题2文章索引1文章索引2文章索引3文章索引4文章索引5123456789101112131415文章专题3
当前位置: 首页 - 科技 - 知识百科 - 正文

基python实现多线程网页爬虫

来源:动视网 责编:小采 时间:2020-11-27 14:34:48
文档

基python实现多线程网页爬虫

基python实现多线程网页爬虫: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
推荐度:
导读基python实现多线程网页爬虫: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


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:

#!/usr/bin/env python
#coding=utf-8
import threading
import urllib
import re
import time
g_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,'...

'
 self.logfile.write("URL:"+g_queueURL[0]+"........")
 self.downloadAll()
 self.updateQueueURL()
 content='
>>>Depth '+str(depth)+':
'
 self.logfile.write(content)
 i=0
 while i'+g_queueURL[i]+'
'
 self.logfile.write(content)
 i+=1
 def downloadAll(self):
 global g_queueURL
 global g_totalcount
 i=0
 while i

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。

文档

基python实现多线程网页爬虫

基python实现多线程网页爬虫: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
推荐度:
标签: 页面 python 爬虫
  • 热门焦点

最新推荐

猜你喜欢

热门推荐

专题
Top