Ruby：多線程隊列(Queue)下載博客文章到本地

Ruby：多線程下載博客文章到本地的完整代碼

#encoding:utf-8
require 'net/http'
require 'thread'
require 'open-uri'
require 'nokogiri'
require 'date'

$queue = Queue.new
#文章列表頁數
page_nums = 8
page_nums.times do |num|
  $queue.push("http://www.cnblogs.com/hongfei/default.html?page="+num.to_s)
end

threads = []
#獲取網頁源碼
def get_html(url)
  html = ""
  open(url) do |f|
    html = f.read
  end
  return html
end

def fetch_links(html)
  doc = Nokogiri::HTML(html)
  #提取文章鏈接
  doc.xpath('//div[@class="postTitle"]/a').each do |link|
    href = link['href'].to_s
    if href.include?"html"
      #add work to the  queue
      $queue.push(link['href'])
    end
  end
end

def save_to(save_to,content)
  f = File.new("./"+save_to+".html","w+")
  f.write(content)
  f.close()
end

#程序開始的時間
$total_time_begin = Time.now.to_i

#開辟的線程數
threadNums = 10
threadNums.times do
  threads<<Thread.new do
    until $queue.empty?
      url = $queue.pop(true) rescue nil
      html = get_html(url)
      fetch_links(html)
      if !url.include?"?page"
        title = Nokogiri::HTML(html).css('title').text
        puts "["+ Time.now.strftime("%H:%M:%S") + "]「" + title + "」" + url
        save_to("pages/" + title.gsub(/\//,""),html) if url.include?".html"
      end
    end
  end
end
threads.each{|t| t.join}

#程序結束的時間
$total_time_end = Time.now.to_i
puts "線程數：" + threadNums.to_s
puts "執行時間：" + ($total_time_end - $total_time_begin).to_s + "秒"

多線程部分講解

$queue = Queue.new
#文章列表頁數
page_nums = 8
page_nums.times do |num|
  $queue.push("http://www.cnblogs.com/hongfei/default.html?page="+num.to_s)
end

首先聲明一個Queue隊列，然后往隊列中添加文章列表頁，以便后面可以從這些列表頁中提取文章鏈接,另外queue聲明成全局變量($)，以便在函數中也可以訪問到
我的曾是土木人博客文章列表總共有8頁，所以需要實現給page_nums賦值為8

#開辟的線程數
threadNums = 10
threadNums.times do
  threads<<Thread.new do
    until $queue.empty?
      url = $queue.pop(true) rescue nil
      html = get_html(url)
      fetch_links(html)
      if !url.include?"?page"
        title = Nokogiri::HTML(html).css('title').text
        puts "["+ Time.now.strftime("%H:%M:%S") + "]「" + title + "」" + url
        save_to("pages/" + title.gsub(/\//,""),html) if url.include?".html"
      end
    end
  end
end
threads.each{|t| t.join}

通過Thread.new來創建線程
創建線程后，會進入until $queue.empty?循環，直到任務隊列為空（即：沒有要采集的網址了）
開辟的線程，每次都會從任務隊列（queue）取到一個url,並通過get_html函數獲取網頁源碼
由於任務隊列中的url有分頁url和文章url兩種，所以要進行區分。
如果是分頁url（url中含有“?page”），就直接提取文章鏈接。
如果是文章url，就保存到本地（save_to()，文件名為文章title）
在循環體外，創建線程完畢后，需要將創建的線程執行Thread#join方法，以便讓主線程等待，
直到所有的線程執行完畢才結束主線程

 代碼執行時間統計

#程序開始的時間
$total_time_begin = Time.now.to_i
#執行過程

#程序結束的時間
$total_time_end = Time.now.to_i
puts "執行時間：" + ($total_time_end - $total_time_begin).to_s + "秒"

TIme模塊的#now方法可以獲取當前時間，然后使用to_i，可以將當前時間轉換成從1970年1月1日00:00:00 UTC開始所經過的秒數。

獲取網頁源碼

#獲取網頁源碼
def get_html(url)
  html = ""
  open(url) do |f|
    html = f.read
  end
  return html
end

ruby中，獲取網頁的方法用Net::HTTP模塊和OpenURI模塊。OpenURI模塊最簡單，可以直徑將指定網頁當成普通文件一樣進行操作。

執行結果：使用多線程采集130多篇文章，耗時15秒（單線程：47s左右）

推薦閱讀：

---

Thread and Queue

Ruby線程學習：並行發起http請求

Ruby線程：關於線程同步的問題

Thread#join的作用

線程同步：MonitorMixin

3種方式實現線程同步

[Ruby]線程和進程

Ruby的OpenURI模塊

Ruby: Net::Http and open-uri

---

作       者：曾是土木人（http://www.cnblogs.com/hongfei）

原文地址：http://www.cnblogs.com/hongfei/p/3696392.html