python多线程实现爬虫任务

python语言对于网络爬虫来说是非常重要的，大多数互联网公司都热衷于python语言编写爬虫。那么如果大批量做爬虫工作，如何才能快速的爬取数据，这就需要多线程多任务操作才能快速完成爬虫，下文就是多线程代码示例，可以看一看。

程序中设置两个队列分别为queue负责存放网址，out_queue负责存放网页的源代码。

ThreadUrl线程负责将队列queue中网址的源代码urlopen，存放到out_queue队列中。

DatamineThread线程负责使用BeautifulSoup模块从out_queue网页的源代码中提取出想要的内容并输出。

这只是一个基本的框架，可以根据需求继续扩展。

程序中有很详细的注释，如有问题跪求指正。

上代码

import Queue  
import threading  
import urllib2  
import time  
from BeautifulSoup import BeautifulSoup

hosts = ["http://yahoo.com","http://taobao.com","http://apple.com",  
         "http://ibm.com","http://www.amazon.cn"]

queue = Queue.Queue()#存放网址的队列  
out_queue = Queue.Queue()#存放网址页面的队列

class ThreadUrl(threading.Thread):  
    def __init__(self,queue,out_queue):  
        threading.Thread.__init__(self)  
        self.queue = queue  
        self.out_queue = out_queue

    def run(self):  
        while True:  
            host = self.queue.get()  
            url = urllib2.urlopen(host)  
            chunk = url.read()  
            self.out_queue.put(chunk)#将hosts中的页面传给out_queue  
            self.queue.task_done()#传入一个相当于完成一个任务

class DatamineThread(threading.Thread):  
    def __init__(self,out_queue):  
        threading.Thread.__init__(self)  
        self.out_queue = out_queue

    def run(self):  
        while True:  
            chunk = self.out_queue.get()  
            soup = BeautifulSoup(chunk)#从源代码中搜索title标签的内容  
            print soup.findAll(['title'])  
            self.out_queue.task_done()

start = time.time()  
def main():  
    for i in range(5):  
        t = ThreadUrl(queue,out_queue)#线程任务就是将网址的源代码存放到out_queue队列中  
        t.setDaemon(True)#设置为守护线程  
        t.start()

    #将网址都存放到queue队列中  
    for host in hosts:  
        queue.put(host)

    for i in range(5):  
        dt = DatamineThread(out_queue)#线程任务就是从源代码中解析出<title>标签内的内容  
        dt.setDaemon(True)  
        dt.start()

    queue.join()#线程依次执行，主线程最后执行  
    out_queue.join()

main()  
print "Total time :%s"%(time.time()-start)