python支持多线程的爬虫实例
python是支持多线程的,主要是通过thread和threading这两个模块来实现的，本文主要给大家分享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/envpython
#coding=utf-8
importthreading
importurllib
importre
importtime
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
classCrawler:
def__init__(self,crawlername,url,threadnum):
self.crawlername=crawlername
self.url=url
self.threadnum=threadnum
self.threadpool=[]
self.logfile=file("log.txt",'w')
defcraw(self):
globalg_queueURL
g_queueURL.append(url)
depth=0
printself.crawlername+"启动..."
while(len(g_queueURL)!=0):
depth+=1
print'Searchingdepth',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
whilei'+g_queueURL[i]+'\n'
self.logfile.write(content)
i+=1
defdownloadAll(self):
globalg_queueURL
globalg_totalcount
i=0
whilei
以上这篇python支持多线程的爬虫实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。