Pythonのサポートマルチスレッドのクローラインスタンスを共有するために皆のための今日の小さなは、私たちが手助けをしたい、良い基準値を持っています。それは一緒に来て参照するにはフォローのXiaobian
ythonは主に糸を通して、マルチスレッドとPythonのマルチスレッドのWebクローラと共有し、達成するために、この論文を2つのモジュールスレッディングされます
一般に、スレッドを使用することは、二つのモードがあり、一つは関数、それが実行されるスレッドオブジェクトに渡された関数を実行するスレッドを作成することである。他の新しいクラスを作成し、スレッドから直接継承され、新しいクラスの内部へのコードの実行スレッド。
ウェブクローラ幅優先アルゴリズムを達成するために、ウェブクローラ、マルチスレッド及びロック機構を使用するマルチスレッド。
私はあなたのアイデアの実現の簡単な紹介を与えるでしょう。
あなたは幅トラバーサルをダウンロードしたい場合は、Webクローラーの場合、それはこれです:
1.最初のページには、URL与えられた入口からダウンロード
ダウンロードリストにすべての新しいWebページのアドレスの最初のページから2抽出
すべての新しいページをダウンロードするアドレスのリストをダウンロード3.
4.すべての新しいページのWebアドレス、更新のダウンロードリストからダウンロードしないで検索します
5.繰り返し二つの工程3及び4は、更新までダウンロードリストが停止したときに空の表
次のようにPythonのコードは次のとおりです。
#!/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,'...\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):
reg=r'"(http://.+?)"'
regob=re.compile(reg,re.DOTALL)
urllist=regob.findall(content)
return urllist
class 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()
お勧めのpython学習サイトをプログラムで学ぶことです何歳見て、!基本的なPythonスクリプト、爬虫類、ジャンゴ、データマイニング、技術をプログラミング、仕事の経験だけでなく、小型のpythonパートナーのシニア入念な研究から戦闘にゼロベースの情報のプロジェクトを仕上げ!Pythonプログラマは、いくつかの学習方法は、細部に注意を払うに必要な技術を説明し、共有するために定期的な一日を過ごす
のpython爬虫類の例をマルチスレッドこのサポート上記の皆の内容全体を共有するための小さなシリーズです、と私はあなたの参照を与えることを願っています