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，如果阻塞了也得等。

实现：

0、3个线程。一个线程A负责读取网页，一个线程B负责分析返回的网页并分析出所需的数据，一个线程C负责把所需的数据写到硬盘上。

1、A线程通过一个list和B线程通信，B线程通过一个list和C线程通信。A是纯生产者，B面对A时是消费者，面对C时是生产者，C是纯生产者。可以把3个线程想象成一个链表，A --> B --> C，其中A线程必定最早结束，其次是B，最后是C。但是注意，前面线程结束了，如果list中还有数据，后面的进程需要消费完该数据后才能结束。

2、既然要访问共享区域，自然是上锁互斥了。

3、具体如何分析网页就不讲了，比较简单。八戒网做的比较实在，都在<li></li>标签内部，很好识别。输出的时候我选择输出为html文件，这样直接就能当网页看。

全部代码：

# @author shadowmydx

import urllib2

import re

from threading import Thread,Lock

listPage = [] # 网页读取线程和网页分析线程通信的缓存区域

listResu = [] # 网页分析线程和输出线程通信的缓存区域

listFilter = []

listFilter.append(re.compile(r'php'))

listFilter.append(re.compile(r'[Pp]ython'))

listFilter.append(re.compile(r'[jJ]ava[^Ss]')) # 防止匹配到javascript

pageLock = Lock() # a 和 b的锁

writLock = Lock() # b 和 c的锁

openEnd  = False # a线程结束了吗？

analEnd  = False # b线程结束了吗？

target   = r'http://www.witmart.com/cn/web-design/jobs'

webhost  = r'http://www.witmart.com/cn/web-design/jobs'

numPages = 22

class ReadPageThread(Thread):

    def run(self):

        global listPage

        global target

        global numPages

        global pageLock

        global openEnd

        self.nextPage = 1

        while numPages != 0:

            f = self.openPage(target)

            pageLock.acquire()

            listPage.append(f)

            print target + ' is finished.'

            pageLock.release()

            target = self.findNext(f)

            numPages -= 1

        openEnd = True

    def openPage(self,target):

        tmp = True

        while tmp:

            try:

                print 'open page..'

                f = urllib2.urlopen(target).read()

                print 'open successed!'

                break

            except:

                tmp = True

        return f

    def findNext(self,target):

        global webhost

        self.nextPage += 1

        return webhost + '?p=' + str(self.nextPage)

class AnalsPageThread(Thread):

    def run(self):

        global listPage

        global pageLock

        global openEnd

        global analEnd

        f = False

        while not openEnd or len(listPage) != 0:

            pageLock.acquire()

            if len(listPage) != 0:

                f = listPage.pop(0)

            else:

                f = False

            pageLock.release()

            if f != False:

                self.analsPage(f)

        analEnd = True

    def analsPage(self,target):

        global listResu

        global writLock

        global listFilter

        ul  = r'<ul class="joblist"'

        liItem  = re.compile(r'<li.*?</li>',re.DOTALL)

        ulStart = target.find(ul)

        target  = target[ulStart:]

        liList  = liItem.findall(target)

        for item in liList:

            # judge if has php

            for key in listFilter:

                if key.search(item):

                    writLock.acquire()

                    item = self.replaceHref(item)

                    listResu.append(item)

                    print 'analysis one item success!'

                    writLock.release()

                    break

    def replaceHref(self,item):

        return item.replace('/cn','http://www.witmart.com/cn')

class WritePageThread(Thread):

    def __init__(self,pathTo):

        Thread.__init__(self)

        self.pathTo = pathTo

    def run(self):

        global listResu

        global writLock

        global analEnd

        f = open(self.pathTo + '/' + 'res.html','wb')

        f.write(r'<html><body><ul>')

        while analEnd == False or len(listResu) != 0:

            writLock.acquire()

            if (len(listResu) != 0):

                liItem = listResu.pop(0)

                f.write(liItem)

                f.write('<br />')

                print 'write one item success!'

            writLock.release()

        f.write('</ul></body></html>')

        f.close()

a = ReadPageThread()

b = AnalsPageThread()

c = WritePageThread(r'/home/wmydx/info')

a.start()

b.start()

c.start()

【原创】编写多线程Python爬虫来过滤八戒网上的发布任务的更多相关文章

  1. 一个简单的多线程Python爬虫（一）

    一个简单的多线程Python爬虫 最近想要抓取拉勾网的数据,最开始是使用Scrapy的,但是遇到了下面两个问题: 前端页面是用JS模板引擎生成的 接口主要是用POST提交参数的 目前不会处理使用JS模 ...

  2. python爬虫入门（八）Scrapy框架之CrawlSpider类

    CrawlSpider类 通过下面的命令可以快速创建 CrawlSpider模板 的代码: scrapy genspider -t crawl tencent tencent.com CrawSpid ...

  3. python爬虫实战（八）--------知乎

    相关代码已经修改调试成功----2017-4-22 一.说明 1.目标网址:知乎登入后的首页 2.实现:如图字段的爬取 zhihu_question表: zhihu_answer表: 3.数据:存放在 ...

  4. [Python爬虫] 之十八：Selenium +phantomjs 利用 pyquery抓取电视之家网数据

    一.介绍 本例子用Selenium +phantomjs爬取电视之家(http://www.tvhome.com/news/)的资讯信息,输入给定关键字抓取资讯信息. 给定关键字:数字:融合:电视 抓 ...

  5. python爬虫入门八：多进程/多线程

    什么是多线程/多进程 引用虫师的解释: 计算机程序只不过是磁盘中可执行的,二进制(或其它类型)的数据.它们只有在被读取到内存中,被操作系统调用的时候才开始它们的生命期. 进程(有时被称为重量级进程)是 ...

  6. Python爬虫实战八之利用Selenium抓取淘宝匿名旺旺

    更新 其实本文的初衷是为了获取淘宝的非匿名旺旺,在淘宝详情页的最下方有相关评论,含有非匿名旺旺号,快一年了淘宝都没有修复这个. 可就在今天,淘宝把所有的账号设置成了匿名显示,SO,获取非匿名旺旺号已经 ...

  7. 静听网+python爬虫+多线程+多进程+构建IP代理池

    目标网站:静听网 网站url:http://www.audio699.com/ 目标文件:所有在线听的音频文件 附:我有个喜好就是听有声书,然而很多软件都是付费才能听,免费在线网站虽然能听,但是禁ip ...

  8. python爬虫之多线程、多进程+代码示例

    python爬虫之多线程.多进程 使用多进程.多线程编写爬虫的代码能有效的提高爬虫爬取目标网站的效率. 一.什么是进程和线程 引用廖雪峰的官方网站关于进程和线程的讲解: 进程:对于操作系统来说,一个任 ...

  9. Python爬虫之多线程下载豆瓣Top250电影图片

    爬虫项目介绍   本次爬虫项目将爬取豆瓣Top250电影的图片,其网址为:https://movie.douban.com/top250, 具体页面如下图所示:   本次爬虫项目将分别不使用多线程和使 ...

随机推荐

  1. android一个上传图片的样例,包含怎样终止上传过程，假设在上传的时候更新进度条(一)

    先上效果图: Layout为: <? xml version="1.0" encoding="utf-8"?> <LinearLayout x ...

  2. 移动App測试实战：顶级互联网企业软件測试和质量提升最佳实践

    这篇是计算机类的优质预售推荐>>>><移动App測试实战:顶级互联网企业软件測试和质量提升最佳实践> 国内顶级互联网公司測试实战经验总结.阿里.腾讯.京东.携程.百 ...

  3. mysql导出和导入数据库

    出口 在dos计划,切换到mysql按照该文件夹bin下一个.输入以下命令 mysqldump -u root -p nxu_life > nxu_life2.sql 运行完毕后,就能够看到在b ...

  4. （二十一）unity4.6学习Ugui中文文档-------交互-Supported Events &amp; Raycasters

    大家好,我是孙广东. 转载请注明出处:http://write.blog.csdn.net/postedit/38922399 更全的内容请看我的游戏蛮牛地址:mod=guide&view=m ...

  5. HTTPS原理（转）

    HTTPS是什么 HTTPS全称为Hypertext Transfer Protocol over Secure Socket Layer,及以安全为目标的HTTP通道,简单说就是HTTP的安全版本. ...

  6. Android中怎样在应用A中启动或安装应用B

    看到别人做的游戏攻略,想着自己的游戏攻略也加入新的功能,即Android中怎样在应用A中启动或安装应用B.就查了一些资料整理下来. 启动或安装对应的应用的方法: Step1:推断是否安装目标应用.仅仅 ...

  7. 一起来开发Android的天气软件（四）——使用Gson解析数据

    离上一篇文章过去才4.5天,我们赶紧趁热打铁继续完毕该系列的天气软件的开发. 承接上一章的内容使用Volley实现网络的通信.返回给我们的是这一串Json数据{"weatherinfo&qu ...

  8. DirectX Sample-ConfigSystem中采用配置文件进行游戏设置

    这个例子是一个撞球系统,碰撞部分也值得学习,不过最重要的还是其配置部分,配置文件为config.txt,其中包括: Requirements:所需配置 propertyset:预定义的设置,通过名字引 ...

  9. java中由类名和方法名字符串实现其调用【反射机制】

    js里通过eval()函数,在知道某个方法名是可以实现调用该方法,那么在java里边又怎么实现的呢? java里边是通过反射机制来实现,代码如下: import java.lang.reflect.M ...

  10. My Solution: Word Ladder

    public class Solution { public int ladderLength(String start, String end, Set<String> dict) { ...