多线程爬虫
先回顾前面学过的一些知识
1.一个cpu一次只能执行一个任务，多个cpu同时可以执行多个任务
2.一个cpu一次只能执行一个进程，其它进程处于非运行状态
3.进程里包含的执行单元叫线程，一个进程可以包含多个线程
4.一个进程的内存空间是共享的，每个进程里的线程都可以使用这个共享空间
5.一个线程在使用这个共享空间的时候，其它的线程必须等待（阻塞状态）
6.互斥锁作用就是防止多个线程同时使用这块内存空间，先使用的线程会将空间上锁，其它的线程处于等待状态。等锁开了才能进
7.进程：表示程序的一次执行
8.线程：CPU运算的基本调度单位
9.GIL（全局锁）：python里的执行通行证，而且只有一个。拿到通行证的线程就可以进入CPU执行任务。没有GIL的线程就不能执行任务
10.python的多线程适用于大量密集的I/O处理
11.python的多进程适用于大量的密集并行计算
多线程爬取糗事百科
#!/usr/bin/env python
# -*- coding:utf-8 -*- # 使用了线程库
import threading
# 队列
from Queue import Queue
# 解析库
from lxml import etree
# 请求处理
import requests
# json处理
import json
import time class ThreadCrawl(threading.Thread):
def __init__(self, threadName, pageQueue, dataQueue):
#threading.Thread.__init__(self)
# 调用父类初始化方法
super(ThreadCrawl, self).__init__()
# 线程名
self.threadName = threadName
# 页码队列
self.pageQueue = pageQueue
# 数据队列
self.dataQueue = dataQueue
# 请求报头
self.headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'} def run(self):
print "启动 " + self.threadName
while not CRAWL_EXIT:
try:
# 取出一个数字，先进先出
# 可选参数block，默认值为True
#1. 如果对列为空，block为True的话，不会结束，会进入阻塞状态，直到队列有新的数据
#2. 如果队列为空，block为False的话，就弹出一个Queue.empty()异常，
page = self.pageQueue.get(False)
url = "http://www.qiushibaike.com/8hr/page/" + str(page) +"/"
#print url
content = requests.get(url, headers = self.headers).text
time.sleep(1)
self.dataQueue.put(content)
#print len(content)
except:
pass
print "结束 " + self.threadName class ThreadParse(threading.Thread):
def __init__(self, threadName, dataQueue, filename, lock):
super(ThreadParse, self).__init__()
# 线程名
self.threadName = threadName
# 数据队列
self.dataQueue = dataQueue
# 保存解析后数据的文件名
self.filename = filename
# 锁
self.lock = lock def run(self):
print "启动" + self.threadName
while not PARSE_EXIT:
try:
html = self.dataQueue.get(False)
self.parse(html)
except:
pass
print "退出" + self.threadName def parse(self, html):
# 解析为HTML DOM
html = etree.HTML(html) node_list = html.xpath('//div[contains(@id, "qiushi_tag")]') for node in node_list:
# xpath返回的列表，这个列表就这一个参数，用索引方式取出来，用户名
username = node.xpath('./div/a/@title')[0]
# 图片连接
image = node.xpath('.//div[@class="thumb"]//@src')#[0]
# 取出标签下的内容,段子内容
content = node.xpath('.//div[@class="content"]/span')[0].text
# 取出标签里包含的内容，点赞
zan = node.xpath('.//i')[0].text
# 评论
comments = node.xpath('.//i')[1].text items = {
"username" : username,
"image" : image,
"content" : content,
"zan" : zan,
"comments" : comments
} # with 后面有两个必须执行的操作：__enter__ 和 _exit__
# 不管里面的操作结果如何，都会执行打开、关闭
# 打开锁、处理内容、释放锁
with self.lock:
# 写入存储的解析后的数据
self.filename.write(json.dumps(items, ensure_ascii = False).encode("utf-8") + "\n") CRAWL_EXIT = False
PARSE_EXIT = False def main():
# 页码的队列，表示20个页面
pageQueue = Queue(20)
# 放入1~10的数字，先进先出
for i in range(1, 21):
pageQueue.put(i) # 采集结果(每页的HTML源码)的数据队列，参数为空表示不限制
dataQueue = Queue() filename = open("duanzi.json", "a")
# 创建锁
lock = threading.Lock() # 三个采集线程的名字
crawlList = ["采集线程1号", "采集线程2号", "采集线程3号"]
# 存储三个采集线程的列表集合
threadcrawl = []
for threadName in crawlList:
thread = ThreadCrawl(threadName, pageQueue, dataQueue)
thread.start()
threadcrawl.append(thread) # 三个解析线程的名字
parseList = ["解析线程1号","解析线程2号","解析线程3号"]
# 存储三个解析线程
threadparse = []
for threadName in parseList:
thread = ThreadParse(threadName, dataQueue, filename, lock)
thread.start()
threadparse.append(thread) # 等待pageQueue队列为空，也就是等待之前的操作执行完毕
while not pageQueue.empty():
pass # 如果pageQueue为空，采集线程退出循环
global CRAWL_EXIT
CRAWL_EXIT = True print "pageQueue为空" for thread in threadcrawl:
thread.join()
print "" while not dataQueue.empty():
pass global PARSE_EXIT
PARSE_EXIT = True for thread in threadparse:
thread.join()
print "" with lock:
# 关闭文件
filename.close()
print "谢谢使用！" if __name__ == "__main__":
main()