python多线程多队列（BeautifulSoup网络爬虫）

最新推荐文章于 2024-01-24 20:46:06 发布

原创最新推荐文章于 2024-01-24 20:46:06 发布 · 3.9k 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#python #网络爬虫 #多线程 #框架 #同步队列

python网络爬虫专栏收录该内容

33 篇文章

订阅专栏

本文介绍了一个使用Python实现的多线程网络爬虫，通过两个队列queue和out_queue协调工作。ThreadUrl线程从queue中获取网址，用urlopen获取源代码并存入out_queue。然后，DatamineThread线程利用BeautifulSoup解析out_queue中的网页源代码，提取所需内容。该框架可扩展，适合进一步定制需求。

程序大概内容如下：

程序中设置两个队列分别为queue负责存放网址，out_queue负责存放网页的源代码。

ThreadUrl线程负责将队列queue中网址的源代码urlopen，存放到out_queue队列中。

DatamineThread线程负责使用BeautifulSoup模块从out_queue网页的源代码中提取出想要的内容并输出。

这只是一个基本的框架，可以根据需求继续扩展。

程序中有很详细的注释，如有有问题跪求指正啊。

import Queue
import threading
import urllib2
import time
from BeautifulSoup import BeautifulSoup

hosts = ["http://yahoo.com","http://taobao.com","http://apple.com",
         "http://ibm.com","http://www.amazon.cn"]

queue = Queue.Queue()#存放网址的队列
out_queue = Queue.Queue()#存放网址页面的队列

class ThreadUrl(threading.Thread):
    def __init__(self,queue,out_queue):
        threading.Thread.__init__(self)
        self.queue = queue
        self.out_queue = out_queue

    def run(self):
        while True:
            host = self.queue.get()
            url = urllib2.urlopen(host)
            chunk = url.read()
            self.out_queue.put(chunk)#将hosts中的页面传给out_queue
            self.queue.task_done()#传入一个相当于完成一个任务

class DatamineThread(threading.Thread):
    def __init__(self,out_queue):
        threading.Thread.__init__(self)
        self.out_queue = out_queue

    def run(self):
        while True:
            chunk = self.out_queue.get()
            soup = BeautifulSoup(chunk)#从源代码中搜索title标签的内容
            print soup.findAll(['title'])
            self.out_queue.task_done()

start = time.time()
def main():
    for i in range(5):
        t = ThreadUrl(queue,out_queue)#线程任务就是将网址的源代码存放到out_queue队列中
        t.setDaemon(True)#设置为守护线程
        t.start()

    #将网址都存放到queue队列中
    for host in hosts:
        queue.put(host)

    for i in range(5):
        dt = DatamineThread(out_queue)#线程任务就是从源代码中解析出<title>标签内的内容
        dt.setDaemon(True)
        dt.start()

    queue.join()#线程依次执行，主线程最后执行
    out_queue.join()

main()
print "Total time :%s"%(time.time()-start)