python实现并行爬虫_python实现爬虫-数据分析

python实现并行爬虫

问题背景：指定爬虫depth、线程数， Python实现并行爬虫
思路：单线程实现爬虫类Fetcher
多线程 threading.Thread去调Fetcher

方法：Fetcher 中，用urllib.urlopen打开指定url，读取信息：

response = urllib.urlopen(self.url)
content = response.read()

但是这样有问题，比如对于www.sina.com来说，读出来的content是乱码的：

>>> content[0:100]
‘\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03\xec\xbdk\x93\x1c\xd7u \xf8\x99\x8c\xd0\x7fH\x14W\xe8*t=2\xeb\xd5\xd5]H`\x014@4\x88\x97\x00\xf0%\x10\xea\xc8\xaa\xca\xeeN\xa0\xba\xb2X\x99\x85\x06X\xa8\x1fCj\x1c\xb6ly-\x92\x06\xf5 %\xca”E\xf1!R\x94\xa8\x87C3\x9e\xf1\xd8#\x87\xbd;\x8e\xd8\x99\x8d\xb1\x1d\xf2’

于是用了python第三方工具chardet，通过

chardet.detect(content)

进行content中字符集的检测：

>>> chardet.detect(content)
{‘confidence’: 0.99, ‘encoding’: ‘GB2312’}

好，问题解决了：

>>> import urllib
>>> url = ‘http://www.sina.com’
>>> response = urllib.urlopen(url)
>>> content = response.read()
>>> chardet.detect(content)
{‘confidence’: 0.99, ‘encoding’: ‘GB2312’}

但是我们想高效爬虫的时候需要设置urlopen的timeout时间，这在urllib中没有实现，而在urllib2中有实现：

response = urllib2.urlopen(self.url, timeout = self.timeout)

但是这时候再用chardet出现的字符集结果与上次不同：

>>> import urllib
>>> url = ‘http://www.sina.com’
>>> response = urllib2.urlopen(url, timeout=1)
>>> content = response.read()
>>> chardet.detect(content)
{‘confidence’: 0.0, ‘encoding’: None}

这是怎么回事？原来是这个页面的编码问题，该页面返回的是gzip编码，参考<python urllib2 returns garbage – Stack Overflow>

实际上每次应该判断页面信息的’Content-Encoding’是否为’gzip’。

urllib支持gzip页面自动解压而urllib2不支持。所以对于这种页面，先解压再read：

try:
    response = urllib2.urlopen(self.url, timeout = self.timeout)
    if response.info().get('Content-Encoding', "") == 'gzip':  #e.g www.sina.com.cn
        buf = StringIO.StringIO(response.read())
        f = gzip.GzipFile(fileobj=buf)
        content = f.read()
    else:
        content = response.read()
    content = self.enc_dec(content)
    return content
except socket.timeout:
    log.warn("Timeout in fetching %s" % self.url)

到这里，大家是不是都以为我只是个标题党。。。？

*******************************************************************************

那么，就把调通的整个spider文件share一下吧，