知乎爬虫（二）

JAVA爬虫--增加多线程爬取

1.项目更新

继续上一篇文章之后，其实项目一直在更新，但是博客却没有跟上，过了好几个月才更新~我们的项目目前增加了多线程爬取功能，在Initial.java里配置的dayCount和threadNum，来控制爬取的天数和线程数目，比如目前配置的是从当前天数往前爬取100天，分给10个线程去爬，每个线程爬取10天的量，这样速度就快多啦~如果想改爬取的天数和线程数目就在Initial.java里改动。

2.具体代码

在Initial.java里还增加了如下变量：

    public static ArrayList<Long> timeArray = new ArrayList<Long>();		//unix时间戳数组，分给线程分别去爬
    public static ArrayList<Integer> threadTimeArray = new ArrayList<Integer>();		//线程时间分配数组，已分配的线程不会继续分配
    
    public static ArrayList<String> tinyFoxUrls = new ArrayList<String>(); 	//已经爬取到的urls
    
    public static UrlQueue[] zhiHuUrlsQueue = new UrlQueue[threadNum];    //总线程数个UrlQueue,一个线程一个UrlQueue
    

其中，timeArray记录着各个线程的“时间限值”，比如假设第一个线程thread0爬取今天之前的10天，那么十天前的那一天的unixTime值即为thread0的时间限值，thread0从今天的unixTime开始爬，直到链接里的starttime值小于时间下限即停止爬取：

ContentParser.java：

if(Long.valueOf(data_time) >= end_time) {
        		moreContentUrl += "?start=" + data_time + "&_xsrf=" + xsrf;
        		
        	}

这样我们就可以控制线程在特定的时间区间里爬啦~

threadTimeArray其实就是一个标记值，因为实际运行下来发现，同一个线程可能会领取多次时间限值，所以就标记一下，如果已经领取了时间限值那么就不能再领取 了。

tinyFoxUrls（这个名字随便起的...）会记录爬取到的urls，这样就不会在url.txt里写重复的url。

zhiHuUrlsQueue是个UrlQueue的数组，记录着每个线程自己要爬取的url，这样各个线程就不会干扰到其他的线程。

3.存在的问题

项目里现在用了比较多的全局变量，感觉非常不好，希望后面能有时间重构下。。

另外想添加下载图片的功能，但是发现直接发问题的请求需要登录网站才能获取到源码了，但是如果直接登录网站又需要验证码，还没想到好的方法，如果大家有好的想法请大家不吝赐教~项目源码已更新：https://github.com/StormSpirit22/ZhihuSpider

非常浅显的代码，博主只是个菜鸟，但是如果每天有一点成长我就很开心了~