多线程队列下载天涯帖子

本文提供三种不同版本的Python爬虫代码实现,用于抓取天涯论坛帖子的多页内容,并将其保存到本地文件中。涉及多线程技术、正则表达式及网页解析等关键技术。
版本一:

    
  1. #coding:utf-8
  2. import Queue
  3. import threading
  4. import time
  5. import urllib2
  6. import re
  7. exitFlag = 0
  8. class myThread (threading.Thread):
  9. def __init__(self, threadID, name, q, txt_dict):
  10. threading.Thread.__init__(self)
  11. self.threadID = threadID
  12. self.name = name
  13. self.q = q
  14. self.txt_dict = txt_dict
  15. def run(self):
  16. print "Starting " + self.name
  17. process_data(self.name, self.q, self.txt_dict)
  18. print "Exiting " + self.name
  19. def process_data(threadName, q, txt_dict):
  20. while not exitFlag:
  21. queueLock.acquire()
  22. if not workQueue.empty():
  23. data = q.get()
  24. queueLock.release()
  25. print "%s processing %s" % (threadName, data)
  26. down_text(txt_dict, data)
  27. else:
  28. queueLock.release()
  29. time.sleep(1)
  30. def down_text(txt_dict, url):
  31. """根据传入的url抓出各页内容,按页数做键存入字典"""
  32. html_content =urllib2.urlopen(url, timeout=30).read()
  33. text_pattern = re.compile('<span>时间:(.*?)</span>.*?<!-- <div class="host-ico">楼主</div> -->.*?<div class="bbs-content.*?>\s*(.*?)</div>', re.DOTALL)
  34. text = text_pattern.findall(html_content)
  35. text_join = ['\r\n\r\n\r\n\r\n'.join(item) for item in text]
  36. txt_dict[url] = text_join
  37. def page(url):
  38. """根据第一页地址抓取总页数"""
  39. html_page = urllib2.urlopen(url, timeout=30).read()
  40. page_pattern = re.compile(r'<a href="\S*?">(\d*)</a>\s*<a href="\S*?" class="\S*?">下页</a>')
  41. page_result = page_pattern.search(html_page)
  42. if page_result:
  43. page_num = int(page_result.group(1))
  44. return page_num
  45. def write_text(filename, dict, urls):
  46. """把字典内容按键(页数)写入文本,每个键值为每页内容的list列表"""
  47. tx_file = open(filename, 'w+')
  48. for i in urls:
  49. print i
  50. tx_list = dict[i]
  51. for tx in tx_list:
  52. tx = tx.replace('<br>', '\r\n').replace('<br />', '\r\n').replace(' ', '')
  53. tx_file.write(tx.strip()+'\r\n'*4)
  54. tx_file.close()
  55. threadList = ["Thread-1", "Thread-2", "Thread-3"]
  56. queueLock = threading.Lock()
  57. workQueue = Queue.Queue(200)
  58. threads = []
  59. threadID = 1
  60. url = 'http://bbs.tianya.cn/post-16-956795-1.shtml'
  61. file_name ='abc.txt'
  62. my_page = page(url)
  63. my_dict = {}
  64. urls = []
  65. page_range = range(1, my_page+1)
  66. for num in page_range:
  67. myurl = '%s%s.shtml' % (url[:-7], num)
  68. urls.append(myurl)
  69. # 创建新线程
  70. for tName in threadList:
  71. thread = myThread(threadID, tName, workQueue, my_dict)
  72. thread.start()
  73. threads.append(thread)
  74. threadID += 1
  75. # 填充队列
  76. queueLock.acquire()
  77. for word in urls:
  78. workQueue.put(word)
  79. queueLock.release()
  80. # 等待队列清空
  81. while not workQueue.empty():
  82. pass
  83. # 通知线程是时候退出
  84. exitFlag = 1
  85. # 等待所有线程完成
  86. for t in threads:
  87. t.join()
  88. print "Exiting Main Thread"
  89. write_text(file_name, my_dict, urls)



版本二:


    
  1. #coding:utf-8
  2. import Queue
  3. import threading
  4. import time
  5. import urllib2
  6. import re
  7. import sys
  8. queue = Queue.Queue()
  9. url = 'http://bbs.tianya.cn/post-16-996521-1.shtml'
  10. urls=[]
  11. Dict_txt = {}
  12. file_name = 'abc.txt'
  13. class ThreadNum(threading.Thread):
  14. def __init__(self, queue):
  15. threading.Thread.__init__(self)
  16. self.queue = queue
  17. def run(self):
  18. while True:
  19. #消费者端,从队列中获取num
  20. num = self.queue.get()
  21. sys.stdout.flush()
  22. down_text(Dict_txt, num)
  23. print '**finished download %s**' % num
  24. time.sleep(1)
  25. #在完成这项工作之后,使用 queue.task_done() 函数向任务已经完成的队列发送一个信号
  26. self.queue.task_done()
  27. def down_text(txt_dict, url):
  28. """根据传入的url抓出各页内容,按页数做键存入字典"""
  29. print '--downling %s--' % url
  30. html_content =urllib2.urlopen(url, timeout=30).read()
  31. text_pattern = re.compile('<span>时间:(.*?)</span>.*?<!-- <div class="host-ico">楼主</div> -->.*?<div class="bbs-content.*?>\s*(.*?)</div>', re.DOTALL)
  32. text = text_pattern.findall(html_content)
  33. text_join = ['\r\n\r\n\r\n\r\n'.join(item) for item in text]
  34. txt_dict[url] = text_join
  35. def page(url):
  36. """根据第一页地址抓取总页数"""
  37. html_page = urllib2.urlopen(url, timeout=30).read()
  38. page_pattern = re.compile(r'<a href="\S*?">(\d*)</a>\s*<a href="\S*?" class="\S*?">下页</a>')
  39. page_result = page_pattern.search(html_page)
  40. list1 = []
  41. if page_result:
  42. page_num = int(page_result.group(1))
  43. page_range = range(1, page_num+1)
  44. for num in page_range:
  45. myurl = '%s%s.shtml' % (url[:-7], num)
  46. list1.append(myurl)
  47. return list1
  48. def write_text(filename, dict, urls):
  49. """把字典内容按键(页数)写入文本,每个键值为每页内容的list列表"""
  50. tx_file = open(filename, 'w+')
  51. for i in urls:
  52. tx_list = dict[i]
  53. for tx in tx_list:
  54. tx = tx.replace('<br>', '\r\n').replace('<br />', '\r\n').replace(' ', '')
  55. tx_file.write(tx.strip()+'\r\n'*4)
  56. tx_file.close()
  57. start = time.time()
  58. def main():
  59. #产生一个 threads pool, 并把消息传递给thread函数进行处理,这里开启10个并发
  60. urls = page(url)
  61. for i in range(5):
  62. t = ThreadNum(queue)
  63. t.start()
  64. #往队列中填错数据
  65. for num in urls:
  66. queue.put(num)
  67. #wait on the queue until everything has been processed
  68. queue.join()
  69. print '---- start write ----'
  70. write_text(file_name, Dict_txt, urls)
  71. main()
  72. print"Elapsed Time: %s" % (time.time() - start)


--版本三

    
  1. #coding:utf-8
  2. import urllib
  3. import re
  4. import threading
  5. import os, time
  6. class Down_Tianya(threading.Thread):
  7. """多线程下载"""
  8. def __init__(self, url, num, dt):
  9. threading.Thread.__init__(self)
  10. self.url = url
  11. self.num = num
  12. self.txt_dict = dt
  13. def run(self):
  14. print 'downling from %s' % self.url
  15. self.down_text()
  16. def down_text(self):
  17. """根据传入的url抓出各页内容,按页数做键存入字典"""
  18. html_content =urllib.urlopen(self.url).read()
  19. text_pattern = re.compile('<span>时间:(.*?)</span>.*?<!-- <div class="host-ico">楼主</div> -->.*?<div class="bbs-content.*?>\s*(.*?)</div>', re.DOTALL)
  20. text = text_pattern.findall(html_content)
  21. text_join = ['\r\n\r\n\r\n\r\n'.join(item) for item in text]
  22. self.txt_dict[self.num] = text_join
  23. def page(url):
  24. """根据第一页地址抓取总页数"""
  25. html_page = urllib.urlopen(url).read()
  26. page_pattern = re.compile(r'<a href="\S*?">(\d*)</a>\s*<a href="\S*?" class="\S*?">下页</a>')
  27. page_result = page_pattern.search(html_page)
  28. if page_result:
  29. page_num = int(page_result.group(1))
  30. return page_num
  31. def write_text(dict, fn):
  32. """把字典内容按键(页数)写入文本,每个键值为每页内容的list列表"""
  33. tx_file = open(fn, 'w+')
  34. pn = len(dict)
  35. for i in range(1, pn+1):
  36. tx_list = dict[i]
  37. for tx in tx_list:
  38. tx = tx.replace('<br>', '\r\n').replace('<br />', '\r\n').replace(' ', '')
  39. tx_file.write(tx.strip()+'\r\n'*4)
  40. tx_file.close()
  41. def main():
  42. url = 'http://bbs.tianya.cn/post-16-996521-1.shtml'
  43. file_name ='abc.txt'
  44. my_page = page(url)
  45. my_dict = {}
  46. print 'page num is : %s' % my_page
  47. threads = []
  48. """根据页数构造urls进行多线程下载"""
  49. for num in range(1, my_page+1):
  50. myurl = '%s%s.shtml' % (url[:-7], num)
  51. downlist = Down_Tianya(myurl, num, my_dict)
  52. downlist.start()
  53. threads.append(downlist)
  54. """检查下载完成后再进行写入"""
  55. for t in threads:
  56. t.join()
  57. write_text(my_dict, file_name)
  58. print 'All download finished. Save file at directory: %s' % os.getcwd()
  59. if __name__ == '__main__':
  60. main()





转载于:https://www.cnblogs.com/highroom/p/da69c3af3d0b2be8b4db5946e2de99f1.html

Discuz插件功能 安装本Discuz插件之后,可以输入天涯论坛帖子的网址,一键获取天涯论坛帖子的主题内容和回贴数据到您的论坛上。 采集器开发经验 此插件集成了“智能云采集任何内容 众大云采集 8.1”和“一键采集贴吧内容 正式版 1.0”的所有开发经验,并在此基础上新增了很多功能和解决用户反馈的若干问题 本Discuz插件功能特点 1、可以批量生成真实的马甲用户数据作为发帖人和回帖人,感觉您的论坛人气很旺。 2、除了天涯论坛帖子的主题内容会采集之外,跟帖内容也会采集,感觉您的论坛内容丰富,有可读性。 3、马甲回帖的时间经过科学处理,不是所有回帖人都是同一个时间,感觉您的论坛不是马甲在回复,而是真实用户在回复。 4、批量生成的发帖和回帖马甲都是有真实的头像和昵称,由众大云采集的网络爬虫实时随机抓取生成。 5、批量生成的马甲用户可以导出uid列表,除了用在本插件之外也可以用在别的有需要的插件上。 6、采集过来的天涯论坛帖子内容的图片可以正常显示并且保存为帖子图片附件。 7、图片附件支持远程FTP保存。 8、图片会加上您论坛的水印。 9、每天会自动推送天涯论坛的高质量帖子过来,您只需点击一下鼠标就可以发布到您的论坛上。 10、已采集过的天涯论坛帖子内容不会重复二次采集,内容不会冗余。 11、采集发布的帖子跟真实用户发布的几乎一模一样。 12、无限量采集,不限采集次数。 此Discuz插件给您带来的价值 1、让您的论坛人气很旺,内容很丰富多彩。 2、批量生成的马甲除了用在本插件之外,还可以用在别外,相当于购买本插件,免费赠送了马甲生成插件。 3、用一键采集来代替手工发帖,省时省力,不易出错。 用户保障 1、严格遵守官方的插件开发规范,除此之外,我们的团队也会对插件进行大量的测试,确保插件的安全、稳定、成熟。 2、在使用过程中,发现有bug或者用户体验不佳,可以反馈给技术员,在经过评估之后,情况属实,将在下一次升级版本解决,请大家留意插件升级更新。 一键采集天涯论坛的任何帖子Discuz版页面展示
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值