【原创】编写多线程Python爬虫来过滤八戒网上的发布任务

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()