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。

最后修改于:2024年08月26日 12:12

评论已关闭

推荐阅读

DDPG 模型解析,附Pytorch完整代码
2024年11月24日
DQN 模型解析,附Pytorch完整代码
2024年11月24日
AIGC实战——Transformer模型
2024年12月01日
Socket TCP 和 UDP 编程基础(Python)
2024年11月30日
python , tcp , udp
如何使用 ChatGPT 进行学术润色?你需要这些指令
2024年12月01日
AI
最新 Python 调用 OpenAi 详细教程实现问答、图像合成、图像理解、语音合成、语音识别(详细教程)
2024年11月24日
ChatGPT 和 DALL·E 2 配合生成故事绘本
2024年12月01日
omegaconf,一个超强的 Python 库!
2024年11月24日
【视觉AIGC识别】误差特征、人脸伪造检测、其他类型假图检测
2024年12月01日
[超级详细]如何在深度学习训练模型过程中使用 GPU 加速
2024年11月29日
Python 物理引擎pymunk最完整教程
2024年11月27日
MediaPipe 人体姿态与手指关键点检测教程
2024年11月27日
深入了解 Taipy:Python 打造 Web 应用的全面教程
2024年11月26日
基于Transformer的时间序列预测模型
2024年11月25日
Python在金融大数据分析中的AI应用(股价分析、量化交易)实战
2024年11月25日
AIGC Gradio系列学习教程之Components
2024年12月01日
Python3 `asyncio` — 异步 I/O,事件循环和并发工具
2024年11月30日
llama-factory SFT系列教程:大模型在自定义数据集 LoRA 训练与部署
2024年12月01日
Python 多线程和多进程用法
2024年11月24日
Python socket详解,全网最全教程
2024年11月27日