python queue和多线程的爬虫 与 JoinableQueue和多进程的爬虫

多线程加queue的爬虫 和 多进程加JoinableQueue的爬虫

以自己的csdn博客为例(捂脸，算不算刷自己博客访问量啊，哈哈哈)

这个是多线程爬虫，代码比较简单，有注释：

# -*-coding:utf-8-*-
"""
ayou
"""

import requests
from requests.exceptions import HTTPError, ConnectionError
from bs4 import BeautifulSoup,NavigableString
import Queue
import threading
import time

#AyouBlog类
#get_page_url函数获得所有博客的URL
class AyouBlog():
def __init__(self):
self.headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:48.0) Gecko/20100101 Firefox/48.0",
}
self.s = requests.session()

def get_page_url(self):
urls_set = set()
url="http://blog.csdn.net/u013055678?viewmode=contents"
try:
html = self.s.get(url, headers=self.headers)
except HTTPError as e:
print(str(e))
return str(e)
except ConnectionError as e:
print(str(e))
return str(e)
try:
soup = BeautifulSoup(html.content, "lxml")
page_div = soup.find_all("span", {"class": "link_title"})
for url in page_div:
a_url = "http://blog.csdn.net"+url.find("a").attrs["href"]
urls_set.add(a_url)
except AttributeError as e:
print(str(e))
return str(e)
return urls_set

#ThreadUrl继承线程类
#run函数将QUEUE中的URL逐个取出,然后打开,取得博客详细页面的标题
class ThreadUrl(threading.Thread):
def __init__(self, queue):
threading.Thread.__init__(self)
self.queue = queue
self.s = requests.session()
self.headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:48.0) Gecko/20100101 Firefox/48.0",
}

def run(self):
while not self.queue.empty():
host = self.queue.get()
try:
html = self.s.get(host, headers=self.headers)
except HTTPError as e:
print(str(e))
return str(e)
except ConnectionError as e:
print(str(e))
return str(e)
try:
soup = BeautifulSoup(html.content, "lxml")
class_div = soup.find("span",{"class":"link_title"})
print((class_div.text).strip())
except AttributeError as e:
print(str(e))
return str(e)
except NavigableString as e:
print(str(e))
return str(e)
self.queue.task_done()

def main():
#创建队列
queue = Queue.Queue()

#将URL放进队列
p = AyouBlog()
for url in p.get_page_url():
print(url)
queue.put(url)

#开多线程
for i in range(7):
t = ThreadUrl(queue)
t.setDaemon(True)
t.start()

#队列清空后再执行其它
queue.join()

if __name__=="__main__":
start = time.time()
main()
print("Elapsed Time: %s" % (time.time() - start))

结果耗时：



看一下只有1条线程所需要的时间

只需把main函数中 rang(7) 改成 range(1)

结果耗时在11秒左右

线程并不不是越多就越快，毕竟数据并不多，你会发现开4，5，6，7个耗时其实差不多都在3秒左右

少的数据上面的代码并没有问题，但是我在工作中抓取三千多个页面，六万多条数据，用两个queue，两个线程组，每组开20个线程爬取，数据可以爬取下来，但是整个进程就死在那里，也不报错，无法正常退出，但是我只爬取几百页，几千条数据却能正常退出，没有任何错误，这个问题我不知道怎么回事儿，最后我只能用scrapy重写一下，知道如何解决的朋友请告诉我，谢谢

下面是多进程爬虫代码，有注释：

# -*-coding:utf-8-*-
"""
ayou
"""

import requests
from requests.exceptions import HTTPError, ConnectionError
from bs4 import BeautifulSoup,NavigableString
from multiprocessing import Process, JoinableQueue
import time

#AyouBlog类
#get_page_url函数获得所有博客的URL
class AyouBlog():
def __init__(self):
self.headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:48.0) Gecko/20100101 Firefox/48.0",
}
self.s = requests.session()

def get_page_url(self):
urls_set = set()
url="http://blog.csdn.net/u013055678?viewmode=contents"
try:
html = self.s.get(url, headers=self.headers)
except HTTPError as e:
print(str(e))
return str(e)
except ConnectionError as e:
print(str(e))
return str(e)
try:
soup = BeautifulSoup(html.content, "lxml")
page_div = soup.find_all("span", {"class": "link_title"})
for url in page_div:
a_url = "http://blog.csdn.net"+url.find("a").attrs["href"]
urls_set.add(a_url)
except AttributeError as e:
print(str(e))
return str(e)
return urls_set

#ThreadUrl继承进程类
#run函数将JoinableQueue中的URL逐个取出,然后打开,取得博客详细页面的标题
class ThreadUrl(Process):
def __init__(self, queue):
super(ThreadUrl, self).__init__()
self.queue = queue
self.s = requests.session()
self.headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:48.0) Gecko/20100101 Firefox/48.0",
}

def run(self):
while not self.queue.empty():
host = self.queue.get()
try:
html = self.s.get(host, headers=self.headers)
except HTTPError as e:
print(str(e))
return str(e)
except ConnectionError as e:
print(str(e))
return str(e)
try:
soup = BeautifulSoup(html.content, "lxml")
class_div = soup.find("span",{"class":"link_title"})
print((class_div.text).strip())
except AttributeError as e:
print(str(e))
return str(e)
except NavigableString as e:
print(str(e))
return str(e)
self.queue.task_done()

def main():
#进程列表
worker_list = list()

#创建队列
queue = JoinableQueue()

#将URL放进队列
p = AyouBlog()
for url in p.get_page_url():
print(url)
queue.put(url)

#开多进程
for i in range(3):
t = ThreadUrl(queue)
worker_list.append(t)
t.start()

#队列清空后再执行其它
queue.join()

#进程关闭(这个是不是多余啊?)
for w in worker_list:
w.terminate()

if __name__=="__main__":
start = time.time()
main()
print("Elapsed Time: %s" % (time.time() - start))

结果耗时：



进程运行速度比较快，但是进程的开销比较大

还是上面说到的问题，少的数据上面的代码并没有问题，但是六万多条数据，用两个JoinableQueue，两个进程组，每组开5个进程爬取，数据可以爬取下来，但是所有进程就死在那里，也不报错，无法正常退出，但是我只爬取几百页，几千条数据却能正常退出，没有任何错误，这个问题我不知道怎么回事儿

我加断点啥也没看出啥问题，不知道是queue和JoinableQueue最后没有空，还是空了以后多线程多进程还在抢着执行然后死了，闹不明白

有谁知道怎么回事儿，怎么解决，请告诉我一下，谢谢