基python实现多线程网页爬虫

一般来说，使用线程有两种模式, 一种是创建线程要执行的函数, 把这个函数传递进Thread对象里，让它来执行. 另一种是直接从Thread继承，创建一个新的class，把线程执行的代码放到这个新的class里。

实现多线程网页爬虫，采用了多线程和锁机制，实现了广度优先算法的网页爬虫。

先给大家简单介绍下我的实现思路：

对于一个网络爬虫，如果要按广度遍历的方式下载，它是这样的：

        1.从给定的入口网址把第一个网页下载下来

        2.从第一个网页中提取出所有新的网页地址，放入下载列表中

        3.按下载列表中的地址，下载所有新的网页

        4.从所有新的网页中找出没有下载过的网页地址，更新下载列表

        5.重复3、4两步，直到更新后的下载列表为空表时停止

python代码如下：

#!/usr/bin/env python
#coding=utf-8
import threading
import urllib
import re
import time
g_mutex=threading.Condition()
g_pages=[] #从中解析所有url链接
g_queueURL=[] #等待爬取的url链接列表
g_existURL=[] #已经爬取过的url链接列表
g_failedURL=[] #下载失败的url链接列表
g_totalcount=0 #下载过的页面数
class Crawler:
  def __init__(self,crawlername,url,threadnum):
    self.crawlername=crawlername
    self.url=url
    self.threadnum=threadnum
    self.threadpool=[]
    self.logfile=file(\"log.txt\",\'w\')
  def craw(self):
    global g_queueURL
    g_queueURL.append(url)  
    depth=0
    print self.crawlername+\" 启动...\"
    while(len(g_queueURL)!=0):
      depth+=1
      print \'Searching depth \',depth,\'...\\n\\n\'
      self.logfile.write(\"URL:\"+g_queueURL[0]+\"........\")
      self.downloadAll()
      self.updateQueueURL()
      content=\'\\n>>>Depth \'+str(depth)+\':\\n\'
      self.logfile.write(content)
      i=0
      while i\'+g_queueURL[i]+\'\\n\'
        self.logfile.write(content)
        i+=1
  def downloadAll(self):
    global g_queueURL
    global g_totalcount
    i=0
    while i
以上代码就是给大家分享的基python实现多线程网页爬虫，希望大家喜欢。