程序大概内容如下:
程序中设置两个队列分别为queue负责存放网址,out_queue负责存放网页的源代码。
ThreadUrl线程负责将队列queue中网址的源代码urlopen,存放到out_queue队列中。
DatamineThread线程负责使用BeautifulSoup模块从out_queue网页的源代码中提取出想要的内容并输出。
这只是一个基本的框架,可以根据需求继续扩展。
import Queue import threading import urllib2 import time from BeautifulSoup import BeautifulSoup hosts = ["http://yahoo.com","http://taobao.com","http://apple.com", "http://ibm.com","http://www.amazon.cn"] queue = Queue.Queue()#存放网址的队列 out_queue = Queue.Queue()#存放网址页面的队列 class ThreadUrl(threading.Thread): def __init__(self,queue,out_queue): threading.Thread.__init__(self) self.queue = queue self.out_queue = out_queue def run(self): while True: host = self.queue.get() url = urllib2.urlopen(host) chunk = url.read() self.out_queue.put(chunk)#将hosts中的页面传给out_queue self.queue.task_done()#传入一个相当于完成一个任务 class DatamineThread(threading.Thread): def __init__(self,out_queue): threading.Thread.__init__(self) self.out_queue = out_queue def run(self): while True: chunk = self.out_queue.get() soup = BeautifulSoup(chunk)#从源代码中搜索title标签的内容 print soup.findAll(['title']) self.out_queue.task_done() start = time.time() def main(): for i in range(5): t = ThreadUrl(queue,out_queue)#线程任务就是将网址的源代码存放到out_queue队列中 t.setDaemon(True)#设置为守护线程 t.start() #将网址都存放到queue队列中 for host in hosts: queue.put(host) for i in range(5): dt = DatamineThread(out_queue)#线程任务就是从源代码中解析出<title>标签内的内容 dt.setDaemon(True) dt.start() queue.join()#线程依次执行,主线程最后执行 out_queue.join() main() print "Total time :%s"%(time.time()-start)
原创文章,作者:Maggie-Hunter,如若转载,请注明出处:https://blog.ytso.com/8400.html