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代码如下：

#!/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()

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。