扫描网站内容(快速) [英] scan websites for content (fast)

问题描述

我在一个数据库中有数千个网站，我想在所有网站中搜索特定的字符串。做这件事最快的方法是什么？我认为我应该先获取每个网站的内容--这就是我的做法：

import urllib2, re
string = "search string"
source = urllib2.urlopen("http://website1.com").read()
if re.search(word,source):
    print "My search string: "+string

并搜索该字符串。但这是非常缓慢的。我如何在Python中加速它？

HTTPS

我认为您的问题不在于程序，而在于您正在为数以千计的站点执行推荐答案请求。您可以研究涉及某种并行处理的不同解决方案，但无论您使解析代码的效率有多高，您都会在当前实现中遇到请求的瓶颈。

这里有一个使用Queue和threading模块的基本示例。我建议阅读多处理与多线程相比的好处(如@JonathanV提到的帖子)，但这有望对理解正在发生的事情有所帮助：

import Queue
import threading
import time
import urllib2

my_sites = [
    'http://news.ycombinator.com',
    'http://news.google.com',
    'http://news.yahoo.com',
    'http://www.cnn.com'
    ]

# Create a queue for our processing
queue = Queue.Queue()


class MyThread(threading.Thread):
  """Create a thread to make the url call."""

  def __init__(self, queue):
    super(MyThread, self).__init__()
    self.queue = queue

  def run(self):
    while True:
      # Grab a url from our queue and make the call.
      my_site = self.queue.get()
      url = urllib2.urlopen(my_site)

      # Grab a little data to make sure it is working
      print url.read(1024)

      # Send the signal to indicate the task has completed
      self.queue.task_done()


def main():

  # This will create a 'pool' of threads to use in our calls
  for _ in range(4):
    t = MyThread(queue)

    # A daemon thread runs but does not block our main function from exiting
    t.setDaemon(True)

    # Start the thread
    t.start()

  # Now go through our site list and add each url to the queue
  for site in my_sites:
    queue.put(site)

  # join() ensures that we wait until our queue is empty before exiting
  queue.join()

if __name__ == '__main__':
  start = time.time()
  main()
  print 'Total Time: {0}'.format(time.time() - start)

有关threading的好资源，请参阅Doug Hellmann的帖子here、IBM文章here(如上所述，这已成为我的通用线程设置)和实际文档here。

这篇关于扫描网站内容(快速)的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！