php与python实现的线程池多线程爬虫功能示例


Posted in PHP onOctober 12, 2016

本文实例讲述了php与python实现的线程池多线程爬虫功能。分享给大家供大家参考,具体如下:

多线程爬虫可以用于抓取内容了这个可以提升性能了,这里我们来看php与python 线程池多线程爬虫的例子,代码如下:

php例子

<?php
class Connect extends Worker //worker模式
{
public function __construct()
{
}
public function getConnection()
{
if (!self::$ch)
{
self::$ch = curl_init();
curl_setopt(self::$ch, CURLOPT_TIMEOUT, 2);
curl_setopt(self::$ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt(self::$ch, CURLOPT_HEADER, 0);
curl_setopt(self::$ch, CURLOPT_NOSIGNAL, true);
curl_setopt(self::$ch, CURLOPT_USERAGENT, "Firefox");
curl_setopt(self::$ch, CURLOPT_FOLLOWLOCATION, 1);
}
/* do some exception/error stuff here maybe */
return self::$ch;
}
public function closeConnection()
{
curl_close(self::$ch);
}
/**
* Note that the link is stored statically, which for pthreads, means thread local
* */
protected static $ch;
}
class Query extends Threaded
{
public function __construct($url)
{
$this->url = $url;
}
public function run()
{
$ch = $this->worker->getConnection();
curl_setopt($ch, CURLOPT_URL, $this->url);
$page = curl_exec($ch);
$info = curl_getinfo($ch);
$error = curl_error($ch);
$this->deal_data($this->url, $page, $info, $error);
$this->result = $page;
}
function deal_data($url, $page, $info, $error)
{
$parts = explode(".", $url);
$id = $parts[1];
if ($info['http_code'] != 200)
{
$this->show_msg($id, $error);
} else
{
$this->show_msg($id, "OK");
}
}
function show_msg($id, $msg)
{
echo $id."\t$msg\n";
}
public function getResult()
{
return $this->result;
}
protected $url;
protected $result;
}
function check_urls_multi_pthreads()
{
global $check_urls; //定义抓取的连接
$check_urls = array( 'http://xxx.com' => "xx网",);
$pool = new Pool(10, "Connect", array()); //建立10个线程池
foreach ($check_urls as $url => $name)
{
$pool->submit(new Query($url));
}
$pool->shutdown();
}
check_urls_multi_pthreads();
python 多线程
def handle(sid)://这个方法内执行爬虫数据处理
pass
class MyThread(Thread):
"""docstring for ClassName"""
def __init__(self, sid):
Thread.__init__(self)
self.sid = sid
def run():
handle(self.sid)
threads = []
for i in xrange(1,11):
t = MyThread(i)
threads.append(t)
t.start()
for t in threads:
t.join()

python 线程池爬虫:

from queue import Queue
from threading import Thread, Lock
import urllib.parse
import socket
import re
import time
seen_urls = set(['/'])
lock = Lock()
class Fetcher(Thread):
  def __init__(self, tasks):
    Thread.__init__(self)
    self.tasks = tasks
    self.daemon = True
    self.start()
  def run(self):
    while True:
      url = self.tasks.get()
      print(url)
      sock = socket.socket()
      sock.connect(('localhost', 3000))
      get = 'GET {} HTTP/1.0\r\nHost: localhost\r\n\r\n'.format(url)
      sock.send(get.encode('ascii'))
      response = b''
      chunk = sock.recv(4096)
      while chunk:
        response += chunk
        chunk = sock.recv(4096)
      links = self.parse_links(url, response)
      lock.acquire()
      for link in links.difference(seen_urls):
        self.tasks.put(link)
      seen_urls.update(links)
      lock.release()
      self.tasks.task_done()
  def parse_links(self, fetched_url, response):
    if not response:
      print('error: {}'.format(fetched_url))
      return set()
    if not self._is_html(response):
      return set()
    urls = set(re.findall(r'''(?i)href=["']?([^\s"'<>]+)''',
               self.body(response)))
    links = set()
    for url in urls:
      normalized = urllib.parse.urljoin(fetched_url, url)
      parts = urllib.parse.urlparse(normalized)
      if parts.scheme not in ('', 'http', 'https'):
        continue
      host, port = urllib.parse.splitport(parts.netloc)
      if host and host.lower() not in ('localhost'):
        continue
      defragmented, frag = urllib.parse.urldefrag(parts.path)
      links.add(defragmented)
    return links
  def body(self, response):
    body = response.split(b'\r\n\r\n', 1)[1]
    return body.decode('utf-8')
  def _is_html(self, response):
    head, body = response.split(b'\r\n\r\n', 1)
    headers = dict(h.split(': ') for h in head.decode().split('\r\n')[1:])
    return headers.get('Content-Type', '').startswith('text/html')
class ThreadPool:
  def __init__(self, num_threads):
    self.tasks = Queue()
    for _ in range(num_threads):
      Fetcher(self.tasks)
  def add_task(self, url):
    self.tasks.put(url)
  def wait_completion(self):
    self.tasks.join()
if __name__ == '__main__':
  start = time.time()
  pool = ThreadPool(4)
  pool.add_task("/")
  pool.wait_completion()
  print('{} URLs fetched in {:.1f} seconds'.format(len(seen_urls),time.time() - start))

希望本文所述对大家PHP程序设计有所帮助。

PHP 相关文章推荐
实用PHP会员权限控制实现原理分析
May 29 PHP
分享一则PHP定义函数代码
Feb 26 PHP
详解PHP数组赋值方法
Nov 07 PHP
PHP生成各种常见验证码和Ajax验证过程
Jan 10 PHP
[原创]PHP简单开启curl的方法(测试可行)
Jan 11 PHP
php设计模式之委托模式
Feb 13 PHP
thinkPHP内置字符串截取函数用法详解
Nov 15 PHP
wordpress网站转移到本地运行测试的方法
Mar 15 PHP
CentOS系统中PHP安装扩展的方式汇总
Apr 09 PHP
PHP实现获取url地址中顶级域名的方法示例
Jun 05 PHP
php使用filter_var函数判断邮箱,url,ip格式示例
Jul 06 PHP
Laravel框架下载,安装及路由操作图文详解
Dec 04 PHP
php实现的SSO单点登录系统接入功能示例分析
Oct 12 #PHP
php用户密码加密算法分析【Discuz加密算法】
Oct 12 #PHP
基于php实现的php代码加密解密类完整实例
Oct 12 #PHP
php fseek函数读取大文件两种方法
Oct 12 #PHP
PHP从二维数组得到N层分类树的实现代码
Oct 11 #PHP
php 无限分类 树形数据格式化代码
Oct 11 #PHP
PHP简单判断iPhone、iPad、Android及PC设备的方法
Oct 11 #PHP
You might like
PHP遍历二维数组的代码
2011/04/22 PHP
JSON在PHP中的应用介绍
2012/09/08 PHP
ThinkPHP 3.2 数据分页代码分享
2014/10/14 PHP
php实现当前页面点击下载文件的实例代码
2016/11/16 PHP
javascript document.execCommand() 常用解析
2009/12/14 Javascript
基于node.js的快速开发透明代理
2010/12/25 Javascript
jquery.validate分组验证代码
2011/03/17 Javascript
jquery 简单应用示例总结
2013/08/09 Javascript
JS滚轮事件onmousewheel使用介绍
2013/11/01 Javascript
选择复选框按钮置灰否则按钮可用
2014/05/22 Javascript
基于jQuery实现的图片切换焦点图整理
2014/12/07 Javascript
Jquery实现地铁线路指示灯提示牌效果的方法
2015/03/02 Javascript
JQuery通过AJAX从后台获取信息显示在表格上并支持行选中
2015/09/15 Javascript
jQuery Validate验证框架经典大全
2015/09/23 Javascript
文件上传,iframe跨域数据提交的实现
2016/11/18 Javascript
JS实现去除数组中重复json的方法示例
2017/12/21 Javascript
vue better scroll 无法滚动的解决方法
2018/06/07 Javascript
快速解决bootstrap下拉菜单无法隐藏的问题
2018/08/10 Javascript
three.js实现炫酷的全景3D重力感应
2018/12/30 Javascript
JQuery样式操作、click事件以及索引值-选项卡应用示例
2019/05/14 jQuery
详谈vue中router-link和传统a链接的区别
2020/07/22 Javascript
Python实现从百度API获取天气的方法
2015/03/11 Python
Python数据分析之真实IP请求Pandas详解
2016/11/18 Python
Python三元运算与lambda表达式实例解析
2019/11/30 Python
Spring Cloud Feign高级应用实例详解
2019/12/10 Python
pyecharts动态轨迹图的实现示例
2020/04/17 Python
使用HTML5做个画图板的方法介绍
2013/05/03 HTML / CSS
携程旅行网:中国领先的在线旅行服务公司
2017/02/17 全球购物
为数据库创建索引都需要注意些什么
2012/07/17 面试题
家长学校培训材料
2014/08/20 职场文书
开展党的群众路线教育实践活动总结报告
2014/10/31 职场文书
2014最新自愿离婚协议书范本
2014/11/19 职场文书
机关单位保密工作责任书
2015/05/11 职场文书
Go语言带缓冲的通道实现
2021/04/26 Golang
Python基础之元类详解
2021/04/29 Python
如何使用PyCharm及常用配置详解
2021/06/03 Python