用python进行多页数据爬取_Python3写爬虫（四）多线程实现数据爬取

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('

(.*?)',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。