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:

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);  }}

谢谢大家.觉得不错记得关注楼主,么么哒