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('
(.*?)