Python3写爬虫（四）多线程实现数据爬取

2019独角兽企业重金招聘Python工程师标准>>>

前段时间阅读了一篇名为《 [Python]网络爬虫（八）：糗事百科的网络爬虫（v0.3）源码及解析(简化更新) 》的博客，基于Python2.7编写，我用Python3将其重构，在前几篇内容的基础上加入了多线程并且用类实现。以下是程序源代码，并对源代码进行解读：

#!/usr/bin/env python3
import queue
import urllib.request as request
import re
import threading
import socket
import time
import urllib.error

class SpiderModel:
    def __init__(self):
        socket.setdefaulttimeout(5)
        self.queue_url=queue.Queue()
        self.queue_text=queue.Queue()
        myUrl = "http://www.qiushibaike.com"
        self.queue_url.put(myUrl)
        self.visited=set()
    
    #从url队列中取出一个url,放如已访问    
    def Get_Page(self):
        #弹出一个队列元素,加入已访问set中
        #取出该url指向的数据,String
        myUrl=self.queue_url.get()
        self.visited |={myUrl}
        
        user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'   
        headers = { 'User-Agent' : user_agent }   
        req = request.Request(myUrl, headers = headers)
        time.sleep(2)
        try:
            myResponse = request.urlopen(req,timeout=3)
        except:
            print('urlopen出问题了')#对于Timeout问题我真的是无语了，查了很多资料也没得到结果
        try:
            myPage = myResponse.read()
        except:
            print('urllib request read出问题了')
        unicodePage = myPage.decode("utf-8",'ignore')
        return unicodePage
    
    def Get_Text(self):
        while True:
            PageString=self.Get_Page()
            #获取每个页面的所有url链接,放入队列queue_url
            linkre = re.compile('href=\"(.+?)\"')
            for x in linkre.findall(PageString):
                if 'http' in x and x not in self.visited:
                    self.queue_url.put(x)
                    #print(x)
        
            #获取每个页面的文章内容,放入队列queue_text中
            myItems = re.findall('<div.*?class="content".*?title="(.*?)">(.*?)</div>',PageString,re.S)    
            for item in myItems:       
                self.queue_text.put(item[0]+item[1])
                #print(item[0]+item[1])

    def Show_Text(self):
        while self.queue_text.not_empty:
            text_one=self.queue_text.get()
            print(text_one)
    
    def Start(self):
        print ('正在加载中请稍候......' )   
        threads=[]#创建线程列表，用于存放需要执行的子线程
        threading.Thread(target=self.Get_Text).start()
        threading.Thread(target=self.Show_Text).start()
    
#----------- 程序的入口处 --------------#    
print ("""  
---------------------------------------  
   程序：糗百爬虫  
   版本：1.0  
   作者：baluw  
   日期：2015-04-04  
   语言：Python 3.4   
   功能：抓取糗事百科,同步显示  
---------------------------------------  
"""  )
    
    
print ('请按下回车浏览今日的糗百内容：' )   
input(' ')
myModel = SpiderModel()    
myModel.Start()
#--------------程序入口-----------------#

程序创建了两个队列（queue）queue_url和queue_text分别存储抓取的网站网址和捕获的文本，一个集合（set）存储已访问的网站。关于利用正则表达式活取URL链接和网站文本内容，在前面文章中也已经介绍了，如果有疑问，可查看前面内容。

最主要的内容，在Start()这个函数，创建两个线程，一个线程活取url和文本并存入队列，另一个线程同步显示已经活取的内容。

但是系统存在问题，一直没法解决，运行了几秒钟，小程序就挂掉了。

转载于:https://my.oschina.net/lifeisshort/blog/403367