python Pool进程池爬虫

import requests
from multiprocessing import Pool
from urllib.parse import urljoin
from bs4 import BeautifulSoup
 
def get_links(url):
    response = requests.get(url)
    if response.status_code == 200:
        soup = BeautifulSoup(response.text, 'html.parser')
        return [urljoin(url, link['href']) for link in soup.find_all('a') if link.get('href')]
    return []
 
def crawl(url):
    print(f"Crawling: {url}")
    try:
        links = get_links(url)
        for link in links:
            print(link)
            # 这里可以添加保存链接的代码
    except Exception as e:
        print(f"Error crawling {url}: {e}")
 
def main():
    seed_url = 'http://example.com'
    pool = Pool(processes=4)  # 可以根据CPU核心数调整进程数
    pool.apply_async(crawl, (seed_url,))  # 使用 apply_async 方法异步执行
    pool.close()  # 关闭进程池，不再接受新的任务
    pool.join()   # 等待所有进程执行完成
 
if __name__ == '__main__':
    main()

这段代码使用了Python的multiprocessing.Pool来实现进程池异步爬取网页链接。crawl函数负责爬取指定URL的链接，并打印出来。main函数则设置了进程池，并向其中添加了爬取任务。这个例子展示了如何使用进程池来提高爬虫的运行效率。