Ruby：多线程队列(Queue)下载博客文章到本地

Ruby：多线程下载博客文章到本地的完整代码

#encoding:utf-8

require 'net/http'

require 'thread'

require 'open-uri'

require 'nokogiri'

require 'date'

$queue = Queue.new

#文章列表页数

page_nums = 8

page_nums.times do |num|

  $queue.push("http://www.cnblogs.com/hongfei/default.html?page="+num.to_s)

end

threads = []

#获取网页源码

def get_html(url)

  html = ""

  open(url) do |f|

    html = f.read

  end

  return html

end

def fetch_links(html)

  doc = Nokogiri::HTML(html)

  #提取文章链接

  doc.xpath('//div[@class="postTitle"]/a').each do |link|

    href = link['href'].to_s

    if href.include?"html"

      #add work to the  queue

      $queue.push(link['href'])

    end

  end

end

def save_to(save_to,content)

  f = File.new("./"+save_to+".html","w+")

  f.write(content)

  f.close()

end

#程序开始的时间

$total_time_begin = Time.now.to_i

#开辟的线程数

threadNums = 10

threadNums.times do

  threads<<Thread.new do

    until $queue.empty?

      url = $queue.pop(true) rescue nil

      html = get_html(url)

      fetch_links(html)

      if !url.include?"?page"

        title = Nokogiri::HTML(html).css('title').text

        puts "["+ Time.now.strftime("%H:%M:%S") + "]「" + title + "」" + url

        save_to("pages/" + title.gsub(/\//,""),html) if url.include?".html"

      end

    end

  end

end

threads.each{|t| t.join}

#程序结束的时间

$total_time_end = Time.now.to_i

puts "线程数：" + threadNums.to_s

puts "执行时间：" + ($total_time_end - $total_time_begin).to_s + "秒"

多线程部分讲解

$queue = Queue.new

#文章列表页数

page_nums = 8

page_nums.times do |num|

  $queue.push("http://www.cnblogs.com/hongfei/default.html?page="+num.to_s)

end

首先声明一个Queue队列，然后往队列中添加文章列表页，以便后面可以从这些列表页中提取文章链接,另外queue声明成全局变量($)，以便在函数中也可以访问到
我的曾是土木人博客文章列表总共有8页，所以需要实现给page_nums赋值为8

#开辟的线程数

threadNums = 10

threadNums.times do

  threads<<Thread.new do

    until $queue.empty?

      url = $queue.pop(true) rescue nil

      html = get_html(url)

      fetch_links(html)

      if !url.include?"?page"

        title = Nokogiri::HTML(html).css('title').text

        puts "["+ Time.now.strftime("%H:%M:%S") + "]「" + title + "」" + url

        save_to("pages/" + title.gsub(/\//,""),html) if url.include?".html"

      end

    end

  end

end

threads.each{|t| t.join}

通过Thread.new来创建线程
创建线程后，会进入until $queue.empty?循环，直到任务队列为空（即：没有要采集的网址了）
开辟的线程，每次都会从任务队列（queue）取到一个url,并通过get_html函数获取网页源码
由于任务队列中的url有分页url和文章url两种，所以要进行区分。
如果是分页url（url中含有“?page”），就直接提取文章链接。
如果是文章url，就保存到本地（save_to()，文件名为文章title）
在循环体外，创建线程完毕后，需要将创建的线程执行Thread#join方法，以便让主线程等待，
直到所有的线程执行完毕才结束主线程

代码执行时间统计

#程序开始的时间

$total_time_begin = Time.now.to_i

#执行过程

#程序结束的时间

$total_time_end = Time.now.to_i

puts "执行时间：" + ($total_time_end - $total_time_begin).to_s + "秒"

TIme模块的#now方法可以获取当前时间，然后使用to_i，可以将当前时间转换成从1970年1月1日00:00:00 UTC开始所经过的秒数。

获取网页源码

#获取网页源码

def get_html(url)

  html = ""

  open(url) do |f|

    html = f.read

  end

  return html

end

ruby中，获取网页的方法用Net::HTTP模块和OpenURI模块。OpenURI模块最简单，可以直径将指定网页当成普通文件一样进行操作。

执行结果：使用多线程采集130多篇文章，耗时15秒（单线程：47s左右）

作者：曾是土木人（http://www.cnblogs.com/hongfei）

原文地址：http://www.cnblogs.com/hongfei/p/3696392.html