国产探花免费观看_亚洲丰满少妇自慰呻吟_97日韩有码在线_资源在线日韩欧美_一区二区精品毛片,辰东完美世界有声小说,欢乐颂第一季,yy玄幻小说排行榜完本

首頁 > 編程 > Python > 正文

Python實現(xiàn)多線程抓取網頁功能實例詳解

2020-01-04 17:17:52
字體:
來源:轉載
供稿:網友

本文實例講述了Python實現(xiàn)多線程抓取網頁功能。分享給大家供大家參考,具體如下:

最近,一直在做網絡爬蟲相關的東西。 看了一下開源C++寫的larbin爬蟲,仔細閱讀了里面的設計思想和一些關鍵技術的實現(xiàn)。

1、larbin的URL去重用的很高效的bloom filter算法;
2、DNS處理,使用的adns異步的開源組件;
3、對于url隊列的處理,則是用部分緩存到內存,部分寫入文件的策略。
4、larbin對文件的相關操作做了很多工作
5、在larbin里有連接池,通過創(chuàng)建套接字,向目標站點發(fā)送HTTP協(xié)議中GET方法,獲取內容,再解析header之類的東西
6、大量描述字,通過poll方法進行I/O復用,很高效
7、larbin可配置性很強
8、作者所使用的大量數據結構都是自己從最底層寫起的,基本沒用STL之類的東西
......

還有很多,以后有時間在好好寫篇文章,總結下。

這兩天,用python寫了個多線程下載頁面的程序,對于I/O密集的應用而言,多線程顯然是個很好的解決方案。剛剛寫過的線程池,也正好可以利用上了。其實用python爬取頁面非常簡單,有個urllib2的模塊,使用起來很方便,基本兩三行代碼就可以搞定。雖然使用第三方模塊,可以很方便的解決問題,但是對個人的技術積累而言沒有什么好處,因為關鍵的算法都是別人實現(xiàn)的,而不是你自己實現(xiàn)的,很多細節(jié)的東西,你根本就無法了解。 我們做技術的,不能一味的只是用別人寫好的模塊或是api,要自己動手實現(xiàn),才能讓自己學習得更多。

我決定從socket寫起,也是去封裝GET協(xié)議,解析header,而且還可以把DNS的解析過程單獨處理,例如DNS緩存一下,所以這樣自己寫的話,可控性更強,更有利于擴展。對于timeout的處理,我用的全局的5秒鐘的超時處理,對于重定位(301or302)的處理是,最多重定位3次,因為之前測試過程中,發(fā)現(xiàn)很多站點的重定位又定位到自己,這樣就無限循環(huán)了,所以設置了上限。具體原理,比較簡單,直接看代碼就好了。

自己寫完之后,與urllib2進行了下性能對比,自己寫的效率還是比較高的,而且urllib2的錯誤率稍高一些,不知道為什么。網上有人說urllib2在多線程背景下有些小問題,具體我也不是特別清楚。

先貼代碼:

fetchPage.py  使用Http協(xié)議的Get方法,進行頁面下載,并存儲為文件

'''Created on 2012-3-13Get Page using GET methodDefault using HTTP Protocol , http port 80@author: xiaojay'''import socketimport statisticsimport datetimeimport threadingsocket.setdefaulttimeout(statistics.timeout)class Error404(Exception):  '''Can not find the page.'''  passclass ErrorOther(Exception):  '''Some other exception'''  def __init__(self,code):    #print 'Code :',code    passclass ErrorTryTooManyTimes(Exception):  '''try too many times'''  passdef downPage(hostname ,filename , trytimes=0):  try :    #To avoid too many tries .Try times can not be more than max_try_times    if trytimes >= statistics.max_try_times :      raise ErrorTryTooManyTimes  except ErrorTryTooManyTimes :    return statistics.RESULTTRYTOOMANY,hostname+filename  try:    s = socket.socket(socket.AF_INET,socket.SOCK_STREAM)    #DNS cache    if statistics.DNSCache.has_key(hostname):      addr = statistics.DNSCache[hostname]    else:      addr = socket.gethostbyname(hostname)      statistics.DNSCache[hostname] = addr    #connect to http server ,default port 80    s.connect((addr,80))    msg = 'GET '+filename+' HTTP/1.0/r/n'    msg += 'Host: '+hostname+'/r/n'    msg += 'User-Agent:xiaojay/r/n/r/n'    code = ''    f = None    s.sendall(msg)    first = True    while True:      msg = s.recv(40960)      if not len(msg):        if f!=None:          f.flush()          f.close()        break      # Head information must be in the first recv buffer      if first:        first = False        headpos = msg.index("/r/n/r/n")        code,other = dealwithHead(msg[:headpos])        if code=='200':          #statistics.fetched_url += 1          f = open('pages/'+str(abs(hash(hostname+filename))),'w')          f.writelines(msg[headpos+4:])        elif code=='301' or code=='302':          #if code is 301 or 302 , try down again using redirect location          if other.startswith("http") :            hname, fname = parse(other)            downPage(hname,fname,trytimes+1)#try again          else :            downPage(hostname,other,trytimes+1)        elif code=='404':          raise Error404        else :          raise ErrorOther(code)      else:        if f!=None :f.writelines(msg)    s.shutdown(socket.SHUT_RDWR)    s.close()    return statistics.RESULTFETCHED,hostname+filename  except Error404 :    return statistics.RESULTCANNOTFIND,hostname+filename  except ErrorOther:    return statistics.RESULTOTHER,hostname+filename  except socket.timeout:    return statistics.RESULTTIMEOUT,hostname+filename  except Exception, e:    return statistics.RESULTOTHER,hostname+filenamedef dealwithHead(head):  '''deal with HTTP HEAD'''  lines = head.splitlines()  fstline = lines[0]  code =fstline.split()[1]  if code == '404' : return (code,None)  if code == '200' : return (code,None)  if code == '301' or code == '302' :    for line in lines[1:]:      p = line.index(':')      key = line[:p]      if key=='Location' :        return (code,line[p+2:])  return (code,None)def parse(url):  '''Parse a url to hostname+filename'''  try:    u = url.strip().strip('/n').strip('/r').strip('/t')    if u.startswith('http://') :      u = u[7:]    elif u.startswith('https://'):      u = u[8:]    if u.find(':80')>0 :      p = u.index(':80')      p2 = p + 3    else:      if u.find('/')>0:        p = u.index('/')        p2 = p      else:        p = len(u)        p2 = -1    hostname = u[:p]    if p2>0 :      filename = u[p2:]    else : filename = '/'    return hostname, filename  except Exception ,e:    print "Parse wrong : " , url    print edef PrintDNSCache():  '''print DNS dict'''  n = 1  for hostname in statistics.DNSCache.keys():    print n,'/t',hostname, '/t',statistics.DNSCache[hostname]    n+=1def dealwithResult(res,url):  '''Deal with the result of downPage'''  statistics.total_url+=1  if res==statistics.RESULTFETCHED :    statistics.fetched_url+=1    print statistics.total_url , '/t fetched :', url  if res==statistics.RESULTCANNOTFIND :    statistics.failed_url+=1    print "Error 404 at : ", url  if res==statistics.RESULTOTHER :    statistics.other_url +=1    print "Error Undefined at : ", url  if res==statistics.RESULTTIMEOUT :    statistics.timeout_url +=1    print "Timeout ",url  if res==statistics.RESULTTRYTOOMANY:    statistics.trytoomany_url+=1    print e ,"Try too many times at", urlif __name__=='__main__':  print 'Get Page using GET method'

下面,我將利用上一篇的線程池作為輔助,實現(xiàn)多線程下的并行爬取,并用上面自己寫的下載頁面的方法和urllib2進行一下性能對比。

'''Created on 2012-3-16@author: xiaojay'''import fetchPageimport threadpoolimport datetimeimport statisticsimport urllib2'''one thread'''def usingOneThread(limit):  urlset = open("input.txt","r")  start = datetime.datetime.now()  for u in urlset:    if limit <= 0 : break    limit-=1    hostname , filename = parse(u)    res= fetchPage.downPage(hostname,filename,0)    fetchPage.dealwithResult(res)  end = datetime.datetime.now()  print "Start at :/t" , start  print "End at :/t" , end  print "Total Cost :/t" , end - start  print 'Total fetched :', statistics.fetched_url'''threadpoll and GET method'''def callbackfunc(request,result):  fetchPage.dealwithResult(result[0],result[1])def usingThreadpool(limit,num_thread):  urlset = open("input.txt","r")  start = datetime.datetime.now()  main = threadpool.ThreadPool(num_thread)  for url in urlset :    try :      hostname , filename = fetchPage.parse(url)      req = threadpool.WorkRequest(fetchPage.downPage,args=[hostname,filename],kwds={},callback=callbackfunc)      main.putRequest(req)    except Exception:      print Exception.message  while True:    try:      main.poll()      if statistics.total_url >= limit : break    except threadpool.NoResultsPending:      print "no pending results"      break    except Exception ,e:      print e  end = datetime.datetime.now()  print "Start at :/t" , start  print "End at :/t" , end  print "Total Cost :/t" , end - start  print 'Total url :',statistics.total_url  print 'Total fetched :', statistics.fetched_url  print 'Lost url :', statistics.total_url - statistics.fetched_url  print 'Error 404 :' ,statistics.failed_url  print 'Error timeout :',statistics.timeout_url  print 'Error Try too many times ' ,statistics.trytoomany_url  print 'Error Other faults ',statistics.other_url  main.stop()'''threadpool and urllib2 '''def downPageUsingUrlib2(url):  try:    req = urllib2.Request(url)    fd = urllib2.urlopen(req)    f = open("pages3/"+str(abs(hash(url))),'w')    f.write(fd.read())    f.flush()    f.close()    return url ,'success'  except Exception:    return url , Nonedef writeFile(request,result):  statistics.total_url += 1  if result[1]!=None :    statistics.fetched_url += 1    print statistics.total_url,'/tfetched :', result[0],  else:    statistics.failed_url += 1    print statistics.total_url,'/tLost :',result[0],def usingThreadpoolUrllib2(limit,num_thread):  urlset = open("input.txt","r")  start = datetime.datetime.now()  main = threadpool.ThreadPool(num_thread)  for url in urlset :    try :      req = threadpool.WorkRequest(downPageUsingUrlib2,args=[url],kwds={},callback=writeFile)      main.putRequest(req)    except Exception ,e:      print e  while True:    try:      main.poll()      if statistics.total_url >= limit : break    except threadpool.NoResultsPending:      print "no pending results"      break    except Exception ,e:      print e  end = datetime.datetime.now()  print "Start at :/t" , start  print "End at :/t" , end  print "Total Cost :/t" , end - start  print 'Total url :',statistics.total_url  print 'Total fetched :', statistics.fetched_url  print 'Lost url :', statistics.total_url - statistics.fetched_url  main.stop()if __name__ =='__main__':  '''too slow'''  #usingOneThread(100)  '''use Get method'''  #usingThreadpool(3000,50)  '''use urllib2'''  usingThreadpoolUrllib2(3000,50)

實驗分析:

實驗數據:larbin抓取下來的3000條url,經過Mercator隊列模型(我用c++實現(xiàn)的,以后有機會發(fā)個blog)處理后的url集合,具有隨機和代表性。使用50個線程的線程池。
實驗環(huán)境:ubuntu10.04,網絡較好,python2.6
存儲:小文件,每個頁面,一個文件進行存儲
PS:由于學校上網是按流量收費的,做網絡爬蟲,灰常費流量啊!!!過幾天,可能會做個大規(guī)模url下載的實驗,用個幾十萬的url試試。

實驗結果:

使用urllib2 ,usingThreadpoolUrllib2(3000,50)

Start at :    2012-03-16 22:18:20.956054
End at :    2012-03-16 22:22:15.203018
Total Cost :    0:03:54.246964
Total url : 3001
Total fetched : 2442
Lost url : 559

下載頁面的物理存儲大小:84088kb

使用自己的getPageUsingGet ,usingThreadpool(3000,50)

Start at :    2012-03-16 22:23:40.206730
End at :    2012-03-16 22:26:26.843563
Total Cost :    0:02:46.636833
Total url : 3002
Total fetched : 2484
Lost url : 518
Error 404 : 94
Error timeout : 312
Error Try too many times  0
Error Other faults  112

下載頁面的物理存儲大小:87168kb

小結: 自己寫的下載頁面程序,效率還是很不錯的,而且丟失的頁面也較少。但其實自己考慮一下,還是有很多地方可以優(yōu)化的,比如文件過于分散,過多的小文件創(chuàng)建和釋放定會產生不小的性能開銷,而且程序里用的是hash命名,也會產生很多的計算,如果有好的策略,其實這些開銷都是可以省略的。另外DNS,也可以不使用python自帶的DNS解析,因為默認的DNS解析都是同步的操作,而DNS解析一般比較耗時,可以采取多線程的異步的方式進行,再加以適當的DNS緩存很大程度上可以提高效率。不僅如此,在實際的頁面抓取過程中,會有大量的url ,不可能一次性把它們存入內存,而應該按照一定的策略或是算法進行合理的分配。 總之,采集頁面要做的東西以及可以優(yōu)化的東西,還有很多很多。

附:demo源碼點擊此處本站下載

 

希望本文所述對大家Python程序設計有所幫助。

發(fā)表評論 共有條評論
用戶名: 密碼:
驗證碼: 匿名發(fā)表
主站蜘蛛池模板: 赤峰市| 英德市| 嘉善县| 都安| 静海县| 阿拉善盟| 和田县| 广宗县| 西畴县| 昌黎县| 胶州市| 双柏县| 安仁县| 安徽省| 浮梁县| 扎兰屯市| 巴东县| 原阳县| 平塘县| 唐山市| 博乐市| 巫溪县| 太谷县| 江源县| 宿松县| 中西区| 库车县| 鄂托克前旗| 江津市| 阿拉善盟| 蓬溪县| 平武县| 天峻县| 克拉玛依市| 罗定市| 图们市| 那坡县| 新疆| 东阿县| 应用必备| 文登市|