JAVA 多线程爬虫实例详解

前言

以前喜欢Python的爬虫是出于他的简洁，但到了后期需要更快，更大规模的爬虫的时候，我才渐渐意识到Java的强大。Java有一个很好的机制，就是多线程。而且Java的代码效率执行起来要比python快很多。这份博客主要用于记录我对多线程爬虫的实践理解。

线程

线程是指一个任务从头至尾的执行流。线程提供了运行一个任务的机制。对于Java而言，可以在一个程序中并发地启动多个线程。这些线程可以在多处理器系统上同时运行。

runnable接口

任务类必须实现runnable接口，它只包含一个run方法。需要实现这个方法来告诉系统线程将如何运行。

Thread类

包含为任务而创建的线程的构造方法，以及控制线程的方法。

synchronized关键字

为避免竞争状态，防止多个线程同时进入程序的某个特定部分，即临界区，以便一次只有一个线程可以访问临界区。

利用加锁同步

Java可以显式加锁，一个锁是一个Lock接口的实例，它定义了加锁和释放锁的方法。

线程池

线程池是管理开发执行任务个数的理想方法。Java提供Executor接口来执行线程池中的任务，提供ExecutorService接口管理和控制任务。

使用线程池的方法获取url列表

import java.util.ArrayList;

import java.util.List;

import java.util.concurrent.ExecutorService;

import java.util.concurrent.Executors;

import java.util.concurrent.locks.Lock;

import java.util.concurrent.locks.ReentrantLock;

/*

* 获取京东评论url列表

*/

public class MyThreading {

private static String p_id = null;

private static Url urls = null;

public MyThreading(String p_id){

this.p_id = p_id ; // 京东商品的id

urls = new Url(p_id);

}

public List<String> getUriList(){

ExecutorService executor = Executors.newCachedThreadPool();

for (int i = 0 ; i < 600 ; i ++){

executor.execute(new AddUrl(i)); // 添加任务到线程池

}

executor.shutdown();

while (!executor.isTerminated()){}

return urls.getList();

}

public static class AddUrl implements Runnable{

int page;

public AddUrl(int page){

this.page = page;

}

public void run(){

urls.addList(page); // 启动多线程任务

}

public static class Url {

private static Lock lock = new ReentrantLock(); // 开启显式家锁

private static List<String> urlList = new ArrayList();

private String p_id;

public Url(String p_id ){

this.p_id = p_id ;

}

public List<String> getList(){

return urlList;

}

public void addList(int page){

lock.lock();

try{

String url = "http://club.jd.com/productpage/p-" + p_id + "-s-0-t-0-p-" + String.valueOf(page) + ".html";

// Thread.sleep(5);

urlList.add(url); //添加url到url列表

}catch(Exception ex ){

}

finally {

lock.unlock(); // 解锁

}

public static void main(String[] args) {

String p_id = "2441288";

MyThreading myThreading = new MyThreading(p_id);

List <String> urlList = myThreading.getUriList();

for(String url : urlList){

System.out.println(url);

}

System.out.println(urlList.size());

}

代码分析

代码的作用：获取京东评论的url列表
类的说明：MyThreading是主类， AddUrl和Url是它的内部类，AddUrl实现了runnable的接口，主要启动多线程服务运行Url的addList方法。而Url是最内核的部分，他提供addList任务和多线程的共享区域urlList，所以在实现添加url的步骤中，需要对urlList加锁。
线程池主要有两种类型，一个是固定线程池，即newFixedThreadPool；另一个是newCachedThreadPool，这个主要利用了缓冲机制，能动态地添加线程。在上述代码中，我主要使用了newCachedthreadPool.

使用线程池的方法根据url列表爬取网页元素

100

101

102

103

104

105

106

107

108

109

110

111

112

import java.io.BufferedReader;

import java.io.InputStreamReader;

import java.net.URL;

import java.net.URLConnection;

import java.util.ArrayList;

import java.util.List;

import java.util.concurrent.ExecutorService;

import java.util.concurrent.Executors;

import java.util.concurrent.locks.Lock;

import java.util.concurrent.locks.ReentrantLock;

import java.util.regex.Matcher;

import java.util.regex.Pattern;

public class ThreadingCrawel {

private static Content content = null;

private static List<String> urlList = null;

public ThreadingCrawel(List<String> urlList){

this.urlList = urlList;

content = new Content();

}

public List<String> getContent(){

ExecutorService executor = Executors.newCachedThreadPool();

for (String url : urlList){

executor.execute(new AddContent(url));

}

executor.shutdown();

while(!executor.isTerminated()){}

return content.getContent();

}

public static class AddContent implements Runnable{

String url;

public AddContent(String url){

this.url = url;

}

public void run(){

content.addContent(url);

}

public static class Content {

private static Lock lock = new ReentrantLock();

private static List<String> contentList = new ArrayList();

public void addContent(String url){

String content = "";

BufferedReader in = null;

try{

URL realUrl = new URL(url);

URLConnection connection = realUrl.openConnection();

in = new BufferedReader(new InputStreamReader(connection.getInputStream(), "gbk"));

String line;

while( (line = in.readLine()) != null){

content += line +"\\n";

}

}catch(Exception e){

e.printStackTrace();

}

finally{

try{

if (in != null){

in.close();

}

}catch(Exception e2){

e2.printStackTrace();

}

Pattern p = Pattern.compile("content\\":\\".*?\\"");

Matcher match = p.matcher(content);

String tmp;

lock.lock();

while(match.find()){

tmp = match.group();

tmp = tmp.replaceAll("\\"", "");

tmp = tmp.replace("content:", "");

tmp = tmp.replaceAll("<.*?>", "");

contentList.add(tmp);

try {

Thread.sleep(1);

} catch (InterruptedException e) {

// TODO Auto-generated catch block

e.printStackTrace();

}

lock.unlock();

}

public List getContent(){

return contentList;

}

public static void main(String[] args){

long start = System.currentTimeMillis();

String p_id = "2441288";

MyThreading myThreading = new MyThreading(p_id);

List <String> urlList = myThreading.getUriList();

ThreadingCrawel threadingCrawel = new ThreadingCrawel(urlList);

List <String> contentList = threadingCrawel.getContent();

for(String content : contentList){

System.out.println(content);

}

long end = System.currentTimeMillis();

System.out.println(end - start);

}

感谢阅读，希望能帮助到大家，谢谢大家对本站的支持！

原文链接：http://blog.csdn.net/qq_30843221/article/details/52486735

JAVA 多线程爬虫实例详解

相关文章

快网idc优惠网

相关文章

微信

快网idc优惠网

QQ交流群