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`\[email protected]\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,
程序支持多线程爬虫,主文件为spider.py, testSpider.py为单测(不保证覆盖率)。
程序地址:http://download.csdn.net/detail/abcjennifer/9086751
版权声明:本文为博主原创文章,未经博主允许不得转载。