class Crawler():
def __init__(self, myconfig):
# 线程池,
self.thread_pool = ThreadPool(myconfig.threadnum)
# 已访问的url集合
self.visited_urls = set()
# set 不是线程安全，所以这里加一把锁
self.visited_urls_lock = threading.Lock()
# 未访问的url集合
self.will_visited_urls = deque()
self.will_visited_urls.append(myconfig.url)
self.temp_q = deque()
self.cur_depth = 0
self.status = ""
self.myconfig = myconfig
MyLogger(myconfig.logfile, myconfig.loglevel)
#MyLogger(myconfig.logfile, loglevel = 5) # debug
self.db = Db()
def start(self):
self.status = "start"
while self.cur_depth < self.myconfig.depth:
if self.status == "stop":
break
try:
while self.will_visited_urls:
url = self.will_visited_urls.popleft()
# 添加工作，这里基本上没有阻塞，因为是在主线程里，只是负责
# 添加工作，真正执行工作是在线程里做的
self.thread_pool.add_job(self.handler, url)
#
# TODO:
# 通知线程有活干了，这里可以看出是在将will_visited_urls的url
# 都添加后才通知线程去干活的，这样设计，粒度似乎有点粗？
# 如果还想节省时间的话，可以在url的数目 >= 线程初始数目的时候，就通知
# 线程池里的线程开始干活，如果url的数目 < 线程初始数目的时候，等都
# 添加完之后，再通知
#print ">>>>>>>> give event to threads in thread pool"
# 通知线程池里的线程开始新一轮的抓取
self.thread_pool.event_do_job()
# 主动退出调度，让子线程有时间可以执行
time.sleep(3)
except Empty:
# 需要访问的url没有了
logging.info("no url right now")
finally:
# 必须等线程池里的线程工作做完之后，才算本次深度的访问结束
# 这里做的处理是如果线程池里面有线程，则睡3s，再读，
# 直到线程池里的工作线程为0才停下来
# 这样才算本次深度的抓取完毕
while True:
#print "thread waiting num is %d, config thread num is %d" % (self.thread_pool.get_thread_waiting_num(), self.myconfig.thread)
if self.thread_pool.get_thread_waiting_num() == self.myconfig.threadnum:
# 如果等待的线程数目等于线程初始数目，则说明，所有线程都执行完毕
# 所以break
break
else:
# 有线程仍然在执行，则说明， 本次深度的访问还没有结束
# 睡眠等待
time.sleep(10)
#此次深度的访问结束，深度加一
self.cur_depth += 1
logging.info("crawler depth now is %s" % str(self.cur_depth))
if self.cur_depth > self.myconfig.depth:
break
# 从url中抓到的网页都放到了temp_q中,
# 将temp_q中的网页从新给 will_visited_urls，继续
self.will_visited_urls = self.temp_q
self.temp_q = deque()
# 所有深度的url都抓取完毕 or 爬虫退出
self.thread_pool.stop_threads()
logging.info("crawler exit")
return
def handler(self, url):
content= self.get_html_content(url)
if content == "" or content == None:
# 无法获取content，直接返回
return
# 添加此url为已访问过
self.add_url_to_visited(url)
if content.find(self.myconfig.key) != -1:
self.db.save_data(url, self.myconfig.key, content)
try:
hrefs = self.get_hrefs(content, url)
except StandardError, se:
logging.error("error: %s" % (se))
print se
# log
# 无法获取 hrefs
return
# 如果获得了hrefs
if hrefs:
# 将hrefs添加到 temp_q中，等本级深度访问完毕之后再访问
for link in hrefs:
# 最后的考验
if not self.is_url_visited(link) \
and link not in self.will_visited_urls \
and link not in self.temp_q:
#print "put %s into temp_q" % link
self.temp_q.append(link)
