Python多线程爬虫
使用python编写一个网站爬虫程序,支持参数如下:
spider.py -u url -d deep -f logfile -l loglevel(1-5) --testself -thread number --dbfile filepath --key="HTML5"
参数说明:
-u 指定爬虫开始地址
-d 指定爬虫深度
--thread 指定线程池大小,多线程爬取页面,可选参数,默认10
--dbfile 存放结果数据到指定的数据库(sqlite)文件中
--key 页面内的关键词,获取满足该关键词的网页,可选参数,默认为所有页面
-l 日志记录文件记录详细程度,数字越大记录越详细,可选参数,默认spider.log
--testself 程序自测,可选参数
- 指定网站爬取指定深度的页面,将包含指定关键词的页面内容存放到sqlite3数据库文件中
- 程序每隔10秒在屏幕上打印进度信息
- 支持线程池机制,并发爬取网页
- 代码需要详尽的注释,自己需要深刻理解该程序所涉及到的各类知识点
- 需要自己实现线程池
#起始地址新浪,下载2级,使用10个线程,保存到sina.db
python main.py -u http://www.sina.com.cn -d 1 --thread 10 --dbfile sina.db