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/' target='_blank'>python代码如下：

#!/usr/bin/env Python#coding=utf-8import threadingimport urllibimport reimport timeg_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 urllistclass 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()

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。