python实现并行爬虫

问题背景：指定爬虫depth、线程数， python实现并行爬虫
思路： 单线程 实现爬虫类Fetcher
多线程 threading.Thread去调Fetcher

方法：Fetcher 中，用urllib.urlopen打开指定url，读取信息：

response = urllib.urlopen(self.url)
content = response.read()

但是这样有问题， 比如对于www.sina.com来说，读出来的content是乱码的：

[cpp] view plain copy

>>> content[0:100]

'\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03\xec\xbdk\x93\x1c\xd7u \xf8\x99\x8c\xd0\x7fH\x14W\xe8*t=2\xeb\xd5\xd5]H`\x014@4\x88\x97\x00\xf0%\x10\xea\xc8\xaa\xca\xeeN\xa0\xba\xb2X\x99\x85\x06X\xa8\x1fCj\x1c\xb6ly-\x92\x06\xf5 %\xca"E\xf1!R\x94\xa8\x87C3\x9e\xf1\xd8#\x87\xbd;\x8e\xd8\x99\x8d\xb1\x1d\xf2'

于是用了python第三方工具chardet，通过

chardet.detect(content)

进行content中字符集的检测：

[html] view plain copy

>>> chardet.detect(content)

{'confidence': 0.99, 'encoding': 'GB2312'}

好，问题解决了：

[html] view plain copy

>>> import urllib

>>> url = 'http://www.sina.com'

>>> response = urllib.urlopen(url)

>>> content = response.read()

>>> chardet.detect(content)

{'confidence': 0.99, 'encoding': 'GB2312'}

但是我们想高效爬虫的时候需要设置urlopen的timeout时间，这在urllib中没有实现，而在urllib2中有实现：

response = urllib2.urlopen(self.url, timeout = self.timeout)

但是这时候再用chardet出现的字符集结果与上次不同：

[html] view plain copy

>>> import urllib

>>> url = 'http://www.sina.com'

>>> response = urllib2.urlopen(url, timeout=1)

>>> content = response.read()

>>> chardet.detect(content)

{'confidence': 0.0, 'encoding': None}

这是怎么回事？ 原来是这个页面的编码问题， 该页面返回的是gzip编码，参考<python urllib2 returns garbage - Stack Overflow>

实际上每次应该判断页面信息的'Content-Encoding'是否为'gzip'。

urllib支持gzip页面自动解压而urllib2不支持。 所以对于这种页面， 先解压再read：

try:
response = urllib2.urlopen(self.url, timeout = self.timeout)
if response.info().get('Content-Encoding', "") == 'gzip':  #e.g www.sina.com.cn
buf = StringIO.StringIO(response.read())
f = gzip.GzipFile(fileobj=buf)
content = f.read()
else:
content = response.read()
content = self.enc_dec(content)
return content
except socket.timeout:
log.warn("Timeout in fetching %s" % self.url)

到这里，大家是不是都以为我只是个标题党。。。？

*******************************************************************************

那么，就把调通的整个spider文件share一下吧，



程序支持多线程爬虫，主文件为spider.py, testSpider.py为单测（不保证覆盖率）。

程序地址：http://download.csdn.net/detail/abcjennifer/9086751

from: http://blog.csdn.net/abcjennifer/article/details/48270479