一般来说，使用线程有两种模式, 一种是创建线程要执行的函数, 把这个函数传递进thread对象里，让它来执行. 另一种是直接从thread继承，创建一个新的class，把线程执行的代码放到这个新的class里。
实现多线程网页爬虫，采用了多线程和锁机制，实现了广度优先算法的网页爬虫。
先给大家简单介绍下我的实现思路：
对于一个网络爬虫，如果要按广度遍历的方式下载，它是这样的：
1.从给定的入口网址把第一个网页下载下来
2.从第一个网页中提取出所有新的网页地址，放入下载列表中
3.按下载列表中的地址，下载所有新的网页
4.从所有新的网页中找出没有下载过的网页地址，更新下载列表
5.重复3、4两步，直到更新后的下载列表为空表时停止
python代码如下：
#!/usr/bin/env python
#coding=utf-8
import threading
import urllib
import re
import time
g_mutex=threading.condition()
g_pages=[] #从中解析所有url链接
g_queueurl=[] #等待爬取的url链接列表
g_existurl=[] #已经爬取过的url链接列表
g_failedurl=[] #下载失败的url链接列表
g_totalcount=0 #下载过的页面数
class crawler:
def __init__(self,crawlername,url,threadnum):
self.crawlername=crawlername
self.url=url
self.threadnum=threadnum
self.threadpool=[]
self.logfile=file(“log.txt”,’w’)
def craw(self):
global g_queueurl
g_queueurl.append(url)
depth=0
print self.crawlername+” 启动…”
while(len(g_queueurl)!=0):
depth+=1
print ‘searching depth ‘,depth,’…\n\n’
self.logfile.write(“url:”+g_queueurl[0]+”……..”)
self.downloadall()
self.updatequeueurl()
content=’\n>>>depth ‘+str(depth)+’:\n’
self.logfile.write(content)
i=0
while i