GroupBlog

一，我是如何使用Python抓取网页的

我知道Python有一个爬虫框架scrapy，但是目前还没有学习，并且也没有什么很棘手的的问题需要去使用一个爬虫框架，所以我就用Python自带的urllib，将目标网页爬下来，然后用正则过滤出自己需要的内容。

二，效率问题

上面的方法简单，真的是上手即用，但是问题是效率问题，如果一个网页一个网页的抓，显然带宽无法达到最高，浪费了大部分带宽，这时候大部分人都会想到，多线程啊！
对，但是我们大部分人又都会写出下面的代码

# 总任务数有500个
while i < 500:
    thirdList = []
    # 每次开50个进程跑，这50个完了再开下一次50个线程
    for x in range(50):
        t = threading.Thread(target = loop)
        t.start()
        thirdList.append(t)
    for t in thirdList:
        t.join()

这样做确实效率会提升一大截，因为毕竟是多线程了嘛，以前一个一个，现在50个50个的，肯定会提高效率，这种方式具体的网络占用情况见下面：
非线程池

我们注意到，网络占用是一段一段的，突然变高又突然降低，这很容易理解，开始50个一起工作，肯定网络占用大，然后任务一个一个都完成了，网络占用肯定就又低了，等下一次50个来了，网络占用又变高了。

这就是我们想要的吗？肯定不是，我们需要的是一个能稳定占用宽带资源的程序，所以就有了线程池的应用。

三，简易“线程池”

思想是这样的，我们需要有一个机制，可以限制线程的个数，一个线程工作完成了，新的线程进来，并且如果某个线程工作超时，就自动退出（抓取大量网页，少一些是可以允许的）。
要解决的问题又两个：

（1）如何限制线程个数
（2）如何实现超时自动退出

（1）如何限制线程个数

我的办法很简单，就是计数，全局变量用来记录已经启动的线程的个数，然后，这个线程退出之前必须将线程数减一，这样，就可以控制线程个数

（2）如何实现超时退出

这个问题在我这个爬虫上很简单，超时就是网络连接超时，这个时间是可以设置的，就是下面这一句：

# 设置超时时间
socket.setdefaulttimeout(10)

在线程中try-except检测:

try:
    request = urllib.urlopen(pageUrl)
# 任何异常都退出，包括了超时异常
except Exception, e:
    # 减少一个线程
    thirdCount -= 1
    return

就是这样，很容易一个“线程池”实现了，下面是使用这种方法的效果：
使用线程池

抓取过程中，网络都是被100%利用了的。
代码在这