Question

这是我的代码：

from download1 import download
import threading,lxml.html
def getInfo(initial,ending):
    for Number in range(initial,ending):
        Fields = ['country', 'area', 'population', 'iso', 'capital', 'continent', 'tld', 'currency_code',
                  'currency_name', 'phone',
                  'postal_code_format', 'postal_code_regex', 'languages', 'neighbours']
        url = 'http://example.webscraping.com/places/default/view/%d'%Number
        html=download(url)
        tree = lxml.html.fromstring(html)
        results=[]
        for field in Fields:
            x=tree.cssselect('table > tr#places_%s__row >td.w2p_fw' % field)[0].text_content()
            results.append(x)#should i start writing here?
downloadthreads=[]
for i in range(1,252,63): #create 4 threads
    downloadThread=threading.Thread(target=getInfo,args=(i,i+62))
    downloadthreads.append(downloadThread)
    downloadThread.start()

for threadobj in downloadthreads:
    threadobj.join() #end of each thread

print "Done"

因此results将具有Fields的值，我需要将Fields作为第一行写入数据（仅一次），然后将results中的值写入CSV文件。我不确定我是否可以在函数中打开文件，因为线程会同时多次打开文件。

注意：我知道在爬网时不希望使用线程，但是我只是在测试

Answer 1

我认为您应该考虑使用某种queuing或线程池。 Thread pools非常有用，如果您要创建多个线程（不是4个，我想您一次要使用4个以上的线程，但是一次要使用4个线程）。

可以在here中找到队列技术的示例。

当然，您可以使用文件的线程ID标记文件，例如：“ results_1.txt”，“ results_2.txt”等。然后，您可以在所有线程完成后合并它们。

您可以使用“锁”，“监视器”等基本概念，但是我不是它们的忠实拥护者。可以在here

中找到锁定的示例

需要将抓取的数据写入csv文件（线程）

1 个答案: