最近，一直在做网络爬虫相关的东西。 看了一下开源C++写的larbin爬虫，仔细阅读了里面的设计思想和一些关键技术的实现。1、larbin的URL去重用的很高效的bloom filter算法； 2、DNS处理，使用的adns异步的开源组件； 3、对于url队列的处理，则是用部分缓存到内存，部分写入文件的策略。 4、larbin对文件的相关操作做了很多工作 5、在larbin里有连接池，通过创建套接字，向目标站点发送HTTP协议中GET方法，获取内容，再解析header之类...
目录1.开篇知识补充2.继承自threading.Thread类1.开篇知识补充查看线程数 threading.enumerate()函数可以查看当前线程数量。查看当前线程的名字 使用threading.current_thread()可以查看当前线程的信息。2.继承自threading.Thread类为了让线程更好的封装，，可以使用threading模块下的Thread，继承这个类，然后实现run方法，线程就会自动运行run方法中的代码。示例代码如下：import threading import timeclass DanceThread(thread...
#!/usr/bin/env python #coding=utf-8 import threading import urllib import re import timecur=0 last=0 totalcount=0 depth=0 t_mutex=threading.Condition() class Mycrawler:def __init__(self,crawlername,seeds,threadnum):self.crawlername=crawlernameself.seeds=seedsself.crawqueue=CrawQueue()self.initQueue(self.seeds)self.threadnum=threadnumself.threadpools=[]self.logfile=file(‘log2.txt‘,‘w‘)def initQ...
class QuiShi: def __init__(self): self.temp_url = "http://www.lovehhy.net/Joke/Detail/QSBK/{0}" self.headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.97 Safari/537.36"} #1.Queue url队列 self.url_query = Queue() # html网页队列 self.html_query = Queue() # content内容队列 ...
目标：以特定语言技术为关键字，爬取八戒网中网站设计开发栏目下发布的任务相关信息 需求：用户通过设置自己感兴趣的关键字或正则表达式，来过滤信息。我自己选择的是通过特定语言技术作为关键字，php、java和python。注意：如果不选用正则表达式，就会把javascript也爬进来，那前端的信息就比较多了。 为什么要使用多线程：网络烂，读网页时很容易阻塞，这个时候后面的工作都得等；在保存页面时，有对硬盘I/O的需求，如果阻塞了也...
案例要求参考上一个糗事百科单进程案例Queue（队列对象）Queue是python中的标准库，可以直接import Queue引用;队列是线程间最常用的交换数据的形式python下多线程的思考对于资源，加锁是个重要的环节。因为python原生的list,dict等，都是not thread safe的。而Queue，是线程安全的，因此在满足使用条件下，建议使用队列初始化： class Queue.Queue(maxsize) FIFO 先进先出包中的常用方法:Queue.qsize() 返回队列的大小Queue.empty(...
queue介绍queue是python的标准库，俗称队列.可以直接import引用,在python2.x中,模块名为Queue。python3直接queue即可在python中，多个线程之间的数据是共享的，多个线程进行数据交换的时候，不能够保证数据的安全性和一致性，所以当多个线程需要进行数据交换的时候，队列就出现了，队列可以完美解决线程间的数据交换，保证线程间数据的安全性和一致性。#多线程实战栗子（糗百） #用一个队列Queue对象， #先产生所有url，put进队列；...
多线程爬虫有些时候，比如下载图片，因为下载图片是一个耗时的操作。如果采用之前那种同步的方式下载。那效率肯会特别慢。这时候我们就可以考虑使用多线程的方式来下载图片。多线程介绍：多线程是为了同步完成多项任务，通过提高资源使用效率来提高系统的效率。线程是在同一时间需要完成多项任务的时候实现的。最简单的比喻多线程就像火车的每一节车厢，而进程则是火车。车厢离开火车是无法跑动的，同理火车也可以有多节车厢。多线...
python多线程爬虫一、进程与线程的定义进程：进程就是一个程序在一个数据集上的一次动态执行过程。进程一般由程序、数据集、进程控制块三部分组成。我们编写的程序用来描述进程要完成哪些功能以及如何完成；数据集则是程序在执行过程中所需要使用的资源；进程控制块用来记录进程的外部特征，描述进程的执行变化过程，系统可以利用它来控制和管理进程，它是系统感知进程存在的唯一标志。线程：线程也叫轻量级进程，它是一个基本的CP...
最近正在学习Python中的异步编程，看了一些博客后做了一些小测验：对比asyncio+aiohttp的爬虫和asyncio+aiohttp+concurrent.futures(线程池/进程池)在效率中的差异，注释：在爬虫中我几乎没有使用任何计算性任务，为了探测异步的性能，全部都只是做了网络IO请求，就是说aiohttp把网页get完就程序就done了。结果发现前者的效率比后者还要高。我询问了另外一位博主，(提供代码的博主没回我信息)，他说使用concurrent.futures的话因为...
多线程糗事百科案例案例要求参考上一个糗事百科单进程案例Queue（队列对象）Queue是python中的标准库，可以直接import Queue引用;队列是线程间最常用的交换数据的形式python下多线程的思考对于资源，加锁是个重要的环节。因为python原生的list,dict等，都是not thread safe的。而Queue，是线程安全的，因此在满足使用条件下，建议使用队列初始化： class Queue.Queue(maxsize) FIFO 先进先出包中的常用方法:Queue.qsize() 返回队列...
目录1.需求描述2.实战代码2.1 单线程爬取2.2 多线程版1.需求描述爬取斗图啦网站，地址为：https://www.doutula.com/photo/list/，网站截图如下：现在需要按页爬取前2页的表情包，那么接下来直接上代码吧。2.实战代码2.1 单线程爬取 from urllib import request import requests from lxml import etree import re import osHEADERS= {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like...
async/await关键字是出现在python3.4以后。网上已经有很多文章对async/await这两个关键字都有讲解，包括如何由python2的yield from发展到async/await这两个关键字，以及一些代码实现都有。但是对于像我这样初次接触的人来说，光看代码分析也不一定能理解，我也是在度娘上搜索很多相关的网站，当中也有官网，都没有发现能让我一眼看懂在什么地方可以用await，什么情况用await的文章。经过自己的重新思考，总算对async、await有一些初...
广度优先算法：# -*- coding: utf-8 -*- import urllib import urllib.request from bs4 import BeautifulSoup import threading mylock = threading.RLock() class Crawler:unVisitUrl = set()visitedUrl = []def getHtml(self , url):html = ‘‘req = urllib.request.Request(url , headers = {‘Connection‘: ‘Keep-Alive‘,‘Accept‘: ‘text/html, application/xhtml+xml, */*‘,‘Accept-Language‘: ‘en-US,en;q=0.8,z...
1.什么是生产者消费者模式 生产者消费者模式是通过一个容器来解决生产者和消费者的强耦合问题。生产者和消费者彼此之间不直接通讯，而通过阻塞队列来进行通讯，所以生产者生产完数据之后不用等待消费者处理，直接扔给阻塞队列，消费者不找生产者要数据，而是直接从阻塞队列里取，阻塞队列就相当于一个缓冲区，平衡了生产者和消费者的处理能力。2.为什么要使用生产者和消费者模式 在进程世界里，生产者就是生产数据的...