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. HDU 1535 Invitation Cards （POJ 1511）

    两次SPFA. 求 来 和 回 的最短路之和. 用Dijkstra+邻接矩阵确实好写+方便交换.可是这个有1000000个点.矩阵开不了. d1[]为 1~N 的最短路. 将全部边的 邻点 交换. d ...

  2. Zigbee开发(1)

    只是研究zigbee的技术,也许后续的博客不会有很及时的更新,有时间 写一点东西能让大家有所收获吧. 环境搭建 Windows 64位的操作系统 IAR7.6 for 8051 ZStack CC25 ...

  3. UVa 11988 - Broken Keyboard (a.k.a. Beiju Text) 题解

    刘汝佳的题目,悲剧文本 -_-||| 这里使用vector<string>容器倒置记录数据,然后从后面输出就能够了. 难度就是不知道这种文档究竟哪里是開始输出,故此使用动态管理内存的容器比 ...

  4. Net处理html页面元素工具类(HtmlAgilityPack.dll)的使用

    现在,在不少应用场合中都希望做到数据抓取,特别是基于网页部分的抓取.其实网页抓取的过程实际上是通过编程的方法,去抓取不同网站网页后,再进行 分析筛选的过程.比如,有的比较购物网站,会同时去抓取不同购物 ...

  5. Linux Shell脚本入门－－grep命令详解

    grep简介<摘自鸟哥,并加以整理.> grep (global search regular expression(RE) and print out the line,全面搜索正则表达 ...

  6. CSDN博客的一些问题（友好的吐槽）--后记，有一点点改进

    近期,CSDN博客真的非常不稳定,时常会出现503错误. 昨天.我发现自己的博客的訪问量仅仅有4万多,今天最终发现它变回原来的6万多了. 我写博客不是为了这个訪问量,可是,CSDN这点使用问题啦. 或 ...

  7. JavaFX的扩展控件库ControlsFX介绍

    声明:   本博客文章原创类别的均为个人原创,版权所有.转载请注明出处: http://blog.csdn.net/ml3947,另外本人的个人博客:http://www.wjfxgame.com. ...

  8. hdu3555（数位dp）

    题目连接:http://acm.hdu.edu.cn/showproblem.php?pid=3555 题意:求区间[a,b]内包含有'49'的数的总个数. 分析:dp[pos][0]表示到第pos位 ...

  9. SVN冲突解决详解

    在: http://blog.csdn.net/windone0109/article/details/4857044

  10. 控制台打印Hibernate的SQL语句显示绑定参数值

    问题? 使用Hibernate提供的show_sql内置属性true只能输出类似于下面的SQL语句:Hibernate:   insert into user(name,password) value ...