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