Python實現(xiàn)多線程抓取網(wǎng)頁功能實例詳解

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

最近，一直在做網(wǎng)絡(luò)爬蟲相關(guān)的東西。 看了一下開源C++寫的larbin爬蟲，仔細(xì)閱讀了里面的設(shè)計思想和一些關(guān)鍵技術(shù)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(nèi)存，部分寫入文件的策略。
4、larbin對文件的相關(guān)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(biāo)站點發(fā)送HTTP協(xié)議中GET方法，獲取內(nèi)容，再解析header之類的東西
6、大量描述字，通過poll方法進(jìn)行I/O復(fù)用，很高效
7、larbin可配置性很強(qiáng)
8、作者所使用的大量數(shù)據(jù)結(jié)構(gòu)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(jié)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(yīng)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(shù)積累而言沒有什么好處，因為關(guān)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(xì)節(jié)的東西，你根本就無法了解。 我們做技術(shù)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(xué)習(xí)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(qiáng)，更有利于擴(kuò)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(shè)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(jìn)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(wǎng)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(jìn)行頁面下載，并存儲為文件

'''
Created on 2012-3-13
Get Page using GET method
Default using HTTP Protocol , http port 80
@author: xiaojay
'''
import socket
import statistics
import datetime
import threading
socket.setdefaulttimeout(statistics.timeout)
class Error404(Exception):
  '''Can not find the page.'''
  pass
class ErrorOther(Exception):
  '''Some other exception'''
  def __init__(self,code):
    #print 'Code :',code
    pass
class ErrorTryTooManyTimes(Exception):
  '''try too many times'''
  pass
def 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+filename
def 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 e
def PrintDNSCache():
  '''print DNS dict'''
  n = 1
  for hostname in statistics.DNSCache.keys():
    print n,'\t',hostname, '\t',statistics.DNSCache[hostname]
    n+=1
def 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", url
if __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(jìn)行一下性能對比。

'''
Created on 2012-3-16
@author: xiaojay
'''
import fetchPage
import threadpool
import datetime
import statistics
import 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 , None
def 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(shù)據(jù)：larbin抓取下來的3000條url，經(jīng)過Mercator隊列模型（我用c++實現(xiàn)的，以后有機(jī)會發(fā)個blog）處理后的url集合，具有隨機(jī)和代表性。使用50個線程的線程池。
實驗環(huán)境：ubuntu10.04，網(wǎng)絡(luò)較好，python2.6
存儲：小文件，每個頁面，一個文件進(jìn)行存儲
PS：由于學(xué)校上網(wǎng)是按流量收費的，做網(wǎng)絡(luò)爬蟲，灰常費流量?。。。∵^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(jié)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?。?4088kb

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?。?7168kb

小結(jié)：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(chǎn)生不小的性能開銷，而且程序里用的是hash命名，也會產(chǎn)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(rèn)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(jìn)行，再加以適當(dāng)?shù)腄NS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(nèi)存，而應(yīng)該按照一定的策略或是算法進(jìn)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。