python beautifulsoup多线程分析抓取网页

最近在用python做一些网页分析方面的事情，很久没更新博客了，今天补上。下面的代码用到了

1 python 多线程

2 网页分析库：beautifulsoup ,这个库比之前分享的python SGMLParser 网页分析库要强大很多，大家有兴趣可以去了解下。

 

#encoding=utf-8
#@description：蜘蛛抓取内容。

import Queue
import threading
import urllib,urllib2
import time
from BeautifulSoup import BeautifulSoup

hosts = [ "http://www.baidu.com", "http://www.163.com"]#要抓取的网页

queue = Queue.Queue()
out_queue = Queue.Queue()

class ThreadUrl(threading.Thread):
     """Threaded Url Grab"""
     def __init__(self, queue, out_queue):
        threading.Thread.__init__(self)
        self.queue = queue
        self.out_queue = out_queue

     def run(self):
         while True:
             #grabs host from queue
            host = self.queue.get()
            proxy_support = urllib2.ProxyHandler({ 'http': 'http://xxx.xxx.xxx.xxxx'}) #代理IP
            opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)
            urllib2.install_opener(opener)

             #grabs urls of hosts and then grabs chunk of webpage
            url = urllib.urlopen(host)
            chunk = url.read()

             #place chunk into out queue
            self.out_queue.put(chunk)

             #signals to queue job is done
            self.queue.task_done()

class DatamineThread(threading.Thread):
     """Threaded Url Grab"""
     def __init__(self, out_queue):
        threading.Thread.__init__(self)
        self.out_queue = out_queue

     def run(self):
         while True:
             #grabs host from queue
            chunk = self.out_queue.get()

             #parse the chunk
            soup = BeautifulSoup(chunk)
             print soup.findAll([ 'title']))

             #signals to queue job is done
            self.out_queue.task_done()

start = time.time()
def main():

     #spawn a pool of threads, and pass them queue instance

    t = ThreadUrl(queue, out_queue)
    t.setDaemon(True)
    t.start()

     #populate queue with data
     for host  in hosts:
        queue.put(host)

    dt = DatamineThread(out_queue)
    dt.setDaemon(True)
    dt.start()


     #wait on the queue until everything has been processed
    queue.join()
    out_queue.join()

main()
print  "Elapsed Time:  %s " % (time.time() - start)

 

 

 

 

运行上面的程序需要安装beautifulsoup, 这个是beautifulsou 文档，大家可以看看。

今天分享python beautifulsoup多线程分析抓取网页就到这里了，有什么运行问题可以发到下面的评论里。大家相互讨论。

文章出自：http://www.ibm.com/developerworks/cn/aix/library/au-threadingpython/