python多线程队列爬虫流程图_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)
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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