JAVA 多线程爬虫实例详解
JAVA多线程爬虫实例详解
前言
以前喜欢Python的爬虫是出于他的简洁,但到了后期需要更快,更大规模的爬虫的时候,我才渐渐意识到Java的强大。Java有一个很好的机制,就是多线程。而且Java的代码效率执行起来要比python快很多。这份博客主要用于记录我对多线程爬虫的实践理解。
线程
线程是指一个任务从头至尾的执行流。线程提供了运行一个任务的机制。对于Java而言,可以在一个程序中并发地启动多个线程。这些线程可以在多处理器系统上同时运行。
runnable接口
任务类必须实现runnable接口,它只包含一个run方法。需要实现这个方法来告诉系统线程将如何运行。
Thread类
包含为任务而创建的线程的构造方法,以及控制线程的方法。
synchronized关键字
为避免竞争状态,防止多个线程同时进入程序的某个特定部分,即临界区,以便一次只有一个线程可以访问临界区。
利用加锁同步
Java可以显式加锁,一个锁是一个Lock接口的实例,它定义了加锁和释放锁的方法。
线程池
线程池是管理开发执行任务个数的理想方法。Java提供Executor接口来执行线程池中的任务,提供ExecutorService接口管理和控制任务。
使用线程池的方法获取url列表
importjava.util.ArrayList; importjava.util.List; importjava.util.concurrent.ExecutorService; importjava.util.concurrent.Executors; importjava.util.concurrent.locks.Lock; importjava.util.concurrent.locks.ReentrantLock; /* *获取京东评论url列表 */ publicclassMyThreading{ privatestaticStringp_id=null; privatestaticUrlurls=null; publicMyThreading(Stringp_id){ this.p_id=p_id;//京东商品的id urls=newUrl(p_id); } publicListgetUriList(){ ExecutorServiceexecutor=Executors.newCachedThreadPool(); for(inti=0;i<600;i++){ executor.execute(newAddUrl(i));//添加任务到线程池 } executor.shutdown(); while(!executor.isTerminated()){} returnurls.getList(); } publicstaticclassAddUrlimplementsRunnable{ intpage; publicAddUrl(intpage){ this.page=page; } publicvoidrun(){ urls.addList(page);//启动多线程任务 } } publicstaticclassUrl{ privatestaticLocklock=newReentrantLock();//开启显式家锁 privatestaticList urlList=newArrayList(); privateStringp_id; publicUrl(Stringp_id){ this.p_id=p_id; } publicList getList(){ returnurlList; } publicvoidaddList(intpage){ lock.lock(); try{ Stringurl="http://club.jd.com/productpage/p-"+p_id+"-s-0-t-0-p-"+String.valueOf(page)+".html"; //Thread.sleep(5); urlList.add(url);//添加url到url列表 }catch(Exceptionex){ } finally{ lock.unlock();//解锁 } } } publicstaticvoidmain(String[]args){ Stringp_id="2441288"; MyThreadingmyThreading=newMyThreading(p_id); List urlList=myThreading.getUriList(); for(Stringurl:urlList){ System.out.println(url); } System.out.println(urlList.size()); } }
代码分析
- 代码的作用:获取京东评论的url列表
- 类的说明:MyThreading是主类,AddUrl和Url是它的内部类,AddUrl实现了runnable的接口,主要启动多线程服务运行Url的addList方法。而Url是最内核的部分,他提供addList任务和多线程的共享区域urlList,所以在实现添加url的步骤中,需要对urlList加锁。
- 线程池主要有两种类型,一个是固定线程池,即newFixedThreadPool;另一个是newCachedThreadPool,这个主要利用了缓冲机制,能动态地添加线程。在上述代码中,我主要使用了newCachedthreadPool.
使用线程池的方法根据url列表爬取网页元素
importjava.io.BufferedReader; importjava.io.InputStreamReader; importjava.net.URL; importjava.net.URLConnection; importjava.util.ArrayList; importjava.util.List; importjava.util.concurrent.ExecutorService; importjava.util.concurrent.Executors; importjava.util.concurrent.locks.Lock; importjava.util.concurrent.locks.ReentrantLock; importjava.util.regex.Matcher; importjava.util.regex.Pattern; publicclassThreadingCrawel{ privatestaticContentcontent=null; privatestaticListurlList=null; publicThreadingCrawel(List urlList){ this.urlList=urlList; content=newContent(); } publicList getContent(){ ExecutorServiceexecutor=Executors.newCachedThreadPool(); for(Stringurl:urlList){ executor.execute(newAddContent(url)); } executor.shutdown(); while(!executor.isTerminated()){} returncontent.getContent(); } publicstaticclassAddContentimplementsRunnable{ Stringurl; publicAddContent(Stringurl){ this.url=url; } publicvoidrun(){ content.addContent(url); } } publicstaticclassContent{ privatestaticLocklock=newReentrantLock(); privatestaticList contentList=newArrayList(); publicvoidaddContent(Stringurl){ Stringcontent=""; BufferedReaderin=null; try{ URLrealUrl=newURL(url); URLConnectionconnection=realUrl.openConnection(); in=newBufferedReader(newInputStreamReader(connection.getInputStream(),"gbk")); Stringline; while((line=in.readLine())!=null){ content+=line+"\n"; } }catch(Exceptione){ e.printStackTrace(); } finally{ try{ if(in!=null){ in.close(); } }catch(Exceptione2){ e2.printStackTrace(); } } Patternp=Pattern.compile("content\":\".*?\""); Matchermatch=p.matcher(content); Stringtmp; lock.lock(); while(match.find()){ tmp=match.group(); tmp=tmp.replaceAll("\"",""); tmp=tmp.replace("content:",""); tmp=tmp.replaceAll("<.*?>",""); contentList.add(tmp); try{ Thread.sleep(1); }catch(InterruptedExceptione){ //TODOAuto-generatedcatchblock e.printStackTrace(); } } lock.unlock(); } publicListgetContent(){ returncontentList; } } publicstaticvoidmain(String[]args){ longstart=System.currentTimeMillis(); Stringp_id="2441288"; MyThreadingmyThreading=newMyThreading(p_id); List urlList=myThreading.getUriList(); ThreadingCrawelthreadingCrawel=newThreadingCrawel(urlList); List contentList=threadingCrawel.getContent(); for(Stringcontent:contentList){ System.out.println(content); } longend=System.currentTimeMillis(); System.out.println(end-start); } }
感谢阅读,希望能帮助到大家,谢谢大家对本站的支持!