Pythony——多线程简单爬虫实现

简单爬虫实现

import requests
from bs4 import BeautifulSoup

# 生成要爬取的网页地址列表，这里是博客园的分页地址，从第1页到第50页
urls = [f"https://www.cnblogs.com/#p{i}" for i in range(1, 50 + 1)]


# 生产者函数——负责下载网页内容
def craw(url):
    这个函数接收一个网页的URL作为参数，使用requests库发送GET请求获取该网页的内容，并以文本形式返回。
    r = requests.get(url)# 要下载内容的网页URL
    return r.text#返回获取到的网页文本内容

# 消费者函数——拿着生产者下载好的网页内容，进行解析
def parse(html):
    """
    此函数接收从网页下载的HTML文本内容作为参数，使用BeautifulSoup库对其进行解析，
    提取出所有class名为post-item-title的超链接a标签，然后遍历这些标签，将每个标签的href链接内容
    和标签文字内容以元组的形式提取出来并返回
    """
    # 指定为html解析器 从网页上下载下来的HTML文本内容
    soup = BeautifulSoup(html, "html.parser")  

    # 提取出所有class名为post-item-title 的 超链接 a标签
    links = soup.find_all("a", class_="post-item-title")
    # 遍历links元组，将超链接a标签的href链接内容 和 标签文字内容提取输出
    
    return [(link["href"], link.get_text()) for link in links]
    # 返回一个包含元组的列表，每个元组包含一个超链接的href值和对应的文字内容


# 主程序入口，当脚本直接运行时执行以下代码
if __name__ == '__main__':
    """
    在这里我们调用了craw函数去下载urls列表中第3个网址（索引为2）的网页内容，
    然后将下载好的内容传递给parse函数进行解析，最后遍历parse函数返回的结果并打印出来。
    """
    for result in parse(craw(urls[2])):
        print(result)

生产者消费者函数

import threading
import time
import random
import queue
import blog_spider

# 定义生产者线程要执行的函数，用于从URL队列中获取URL，爬取网页内容并放入HTML队列
def do_craw(url_queue: queue.Queue, html_queue: queue.Queue):#url_queue: 存储待爬取URL的队列， html_queue: 用于存储爬取到的网页HTML内容的队列
 
    """
    这个函数是生产者线程要执行的函数。
    不断从URL队列中获取URL，调用blog_spider.craw函数爬取网页的内容，
    然后将爬取到的HTML内容放入HTML队列中，并打印相关的内容。
  
    """
    while True:
        # 从URL队列中获取一个URL
        url = url_queue.get()
        # 调用blog_spider模块中的craw函数爬取该URL对应的网页内容
        html = blog_spider.craw(url)
        # 将爬取到的网页内容放入HTML队列
        html_queue.put(html)
        # 打印当前线程的名称、正在爬取的URL以及URL队列剩余的大小
        print(threading.current_thread().name, f"craw {url}", "url_queue.size=", url_queue.qsize())
        time.sleep(random.randint(1, 2))#休眠一段时间

# 定义消费者线程要执行的函数，用于从HTML队列中获取网页内容
def do_parse(html_queue: queue.Queue, fout):#html_queue: 存储网页HTML内容的队列
    """
    此函数是消费者线程要执行的任务函数。
    它会不断从HTML队列中获取网页内容，调用blog_spider.parse函数对其进行解析，fout: 用于写入解                    
析结果的文件对象
    将解析结果写入到指定的文件中，并打印相关的内容。
    """
    while True:
        # 从HTML队列中获取一个网页内容
        html = html_queue.get()
        # 调用blog_spider模块中的parse函数对网页内容进行解析，得到解析结果
        results = blog_spider.parse(html)
        for result in results:
            fout.write(str(result) + "\n")
        # 打印当前线程的名称、解析结果的数量以及HTML队列剩余的大小
        print(threading.current_thread().name, f"results.size", len(results), "html_queue_size=", html_queue.qsize())
        time.sleep(random.randint(1, 2))#休眠一段时间

# 主程序入口，当脚本直接运行时执行以下代码
if __name__ == '__main__':
    # 创建一个用于存储待爬取URL的队列
    url_queue = queue.Queue()
    # 创建一个用于存储爬取到的网页HTML内容的队列
    html_queue = queue.Queue()

    # 将blog_spider模块中定义的所有URL放入URL队列
    for url in blog_spider.urls:
        url_queue.put(url)

    # 开启生产者线程
    for idx in range(3):
        # 创建一个新的线程，指定其执行的任务函数为do_craw，并传入相应的参数
        t = threading.Thread(target=do_craw, args=(url_queue, html_queue), name=f"craw{idx}")
        t.start()

    # 开启消费者线程和创建用于存储解析结果的文本文件
    fout = open("spider_data.txt", "w")
    for idx in range(2):
        # 创建一个新的线程，指定其执行的任务函数为do_parse，并传入相应的参数
        t = threading.Thread(target=do_parse, args=(html_queue, fout), name=f"parse{idx}")
        t.start()