Python 多线程爬虫停止条件

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 2450 天前的主题，其中的信息可能已经有所发展或是发生改变。

多线程爬虫，如何在特定的深度让线程停止呢？
每个线程目前爬取页面后，还会从页面中抓取新的 url 入队

多线

程爬虫

线程

Python

8 条回复 • 2018-03-17 13:14:05 +08:00

scriptB0y

2018-03-16 17:24:30 +08:00

可以每次开新的线程的时候传入一个变量并+1，记录当前的深度，达到一个阈值就不要再开新的线程。

wyy

2018-03-16 17:34:13 +08:00

@scriptB0y 如果我抓 2 层，那就是抓主页里的所有 url，然后这些 url 页面里的 url 再取出来抓下来，这个过程中 url 不断入队，我如何判断在什么地方停止呢？

sunchen

2018-03-16 17:40:27 +08:00

downloder 接受 url 参数时顺便传入这个 url 的深度啊，downloader 吐 response 的时候把这个参数吐出来再

wyy

2018-03-16 17:51:06 +08:00

@sunchen 谢谢~刚想到了您的这种解决方案。python 里如果想效率高一些，url 去重用 url 做 md5 hash 放到 set 里； url 存储用什么方式呢？

sunchen

2018-03-16 17:55:17 +08:00

@wyy 数量少 md5 之类的都行，数量很多可以用 bloomfilter

wyy

2018-03-16 18:01:14 +08:00

@sunchen 谢谢

lynskylate

2018-03-16 22:56:32 +08:00

维护一个 tasks 队列,tasks 队列存 task 类，深度，url，解析规则存在 task 里，
再维护一个线程池，线程池只从 tasks 中取 task，执行 task。

wyy

2018-03-17 13:14:05 +08:00

@lynskylate task 是一个线程池，深度和 url 存在 task 里是什么意思