- 论坛徽章:
- 0
|
#usr/bin/python
# -*- coding: utf-8 -*-
#by tcsun for test tcsun11@gmail.com 爬取网页列表
from sgmllib import SGMLParser
import threading
import time
import urllib2
import StringIO
import gzip
import string
import os
from Queue import Queue
#rewrite SGMLParser for start_a
class Basegeturls(SGMLParser):
#这个Basegeturls类作用是分析下载的网页,把网页中的所有链接放在self.url中。
def reset(self):
self.url = []
SGMLParser.reset(self)
def start_a(self, attrs):
href = [v for k, v in attrs if k == 'href']
if href:
self.url.extend(href)
#for quickly finding
class Newlist(list):
#这个类其实是一个添加了find方法的LIST。当num变量在LIST中,返回True,当不在LIST中,返回False并把num按二分法插入LIST中
def find(self, num):
l = len(self)
first = 0
end = l - 1
mid = 0
if l == 0:
self.insert(0, num)
return False
while first < end:
mid = (first + end) / 2
if num > self[mid]:
first = mid + 1
elif num < self[mid]:
end = mid - 1
else:
break
if first == end:
if self[first] > num:
self.insert(first, num)
return False
elif self[first] < num:
self.insert(first + 1, num)
return False
else:
return True
elif first > end:
self.insert(first, num)
return False
else:
return True
#下面爬虫
class reptile(threading.Thread):
#Name: 是爬虫是名字,queue是任务队列,所有的爬虫共用同一个任务队列
#从中取出一个任务项进行运行,每个任务项是一个要下载网页的URL
#result: 也是一个队列,将下载的网页中包含的URL放入该队列中
#inittime: 在本程序中没有用,只是一个为了以后扩展用的
#downloadway:是下载的网页存放的路径
#configfile: 是配置文件,存放网页的URL和下载下后的路径
#maxnum: 每个爬虫有个最大下载量,当下载了这么多网页后,爬虫dead
def __init__(self, Name, queue, result, Flcok, inittime = 0.00001, downloadway = '/home/tcsun/documents/python/cunzhe/', configfile = '/home/tcsun/documents/python/cunzhe/conf.txt', maxnum = 10000):
threading.Thread.__init__(self, name = Name)
self.queue = queue
self.result = result
self.Flcok = Flcok
self.inittime = inittime
self.mainway = downloadway
self.configfile = configfile
self.num = 0
#已下载的网页个数
self.maxnum = maxnum
os.makedirs(downloadway + self.getName())
#系统调用:在存放网页的文件夹中创建一个以该爬虫name为名字的文件夹
self.way = downloadway + self.getName() + '\\'
def run(self):
opener = urllib2.build_opener()
#创建一个开启器
while True:
url = self.queue.get()
#从队列中取一个URL
if url == None:
#当取得一个None后表示爬虫结束工作,用于外部方便控制爬虫的生命期
break
parser = Basegeturls()
#创建一个网页分析器
request = urllib2.Request(url)
#网页请求
request.add_header('Accept-encoding', 'gzip')
#下载的方式是gzip压缩后的网页,gzip是大多数服务器支持的一种格式
try:
#这样可以减轻网络压力
page = opener.open(request)
#发送请求报文
if page.code == 200:
#当请求成功
predata = page.read()
#下载gzip格式的网页
pdata = StringIO.StringIO(predata)
#下面6行是实现解压缩
gzipper = gzip.GzipFile(fileobj = pdata)
try:
data = gzipper.read()
except(IOError):
print 'unused gzip'
data = predata
#当有的服务器不支持gzip格式,那么下载的就是网页本身
try:
parser.feed(data)
#分析网页
except:
print 'I am here'
#有的网页分析不了,如整个网页就是一个图片
for item in parser.url:
self.result.put(item)
#分析后的URL放入队列中
way = self.way + str(self.num) + '.html'
#下面的是网页的保存
self.num += 1
file = open(way, 'w')
file.write(data)
file.close()
self.Flcok.acquire()
confile = open(self.configfile, 'a')
confile.write(way + ' ' + url + '\n')
confile.close()
self.Flcok.release()
page.close()
if self.num >= self.maxnum:
#达到最大量后退出
break
except:
print 'end error'
#和爬虫一样是个线程类,作用是将爬虫中的result中存入的URL加以处理。只要同一个服务器的网页
class proinsight(threading.Thread):
def __init__(self, queue, list, homepage, inqueue):
threading.Thread.__init__(self)
self.queue = queue
#和爬虫中的result队列是同一个
self.list = list
#是上面Newlist的对象
self.homepage = homepage
#主页
self.inqueue = inqueue
#处理完后的URL的去处
def run(self):
length = len(self.homepage)
while True:
item = self.queue.get()
if item == None:
break
if item[0:4] == '\r\n':
item = item[4:]
if item[-1] == '/':
item = item[:-1]
if len(item) >= len('http://') and item[0:7] == 'http://':
if len(item) >= length and item[0:length] == self.homepage:
if self.list.find(item) == False:
self.inqueue.put(item)
elif item[0:5] == '/java' or item[0:4] == 'java':
pass
else:
if item[0] != '/':
item = '/' + item
item = self.homepage + item
if self.list.find(item) == False:
self.inqueue.put(item)
def main():
num = int(raw_input('Enter the number of thread:'))
pnum = int(raw_input('Enter the number of download pages:'))
mainpage = str(raw_input('The mainpage:'))
startpage = str(raw_input('Start page:'))
queue = Queue()
key = Queue()
inqueue = Queue()
list = Newlist()
thlist = []
Flock = threading.RLock()
for i in range(num):
th = reptile('th' + str(i), queue, key, Flock)
thlist.append(th)
pro = proinsight(key, list, mainpage, inqueue)
pro.start()
for i in thlist:
i.start()
queue.put(startpage)
print 'all done'
if __name__ == '__main__':
main()
还请各位牛牛们帮我瞅瞅哪里出的问题。要如何修改才能实现制定线程数,深度 |
|