Ruby中使用多线程队列(Queue)实现下载博客文章保存到本地文件

ruby：多线程下载博客文章到本地的完整代码

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

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

threads = []
#获取网页源码
def get_html(url)
  html = ""
  open(url) do |f|
    html = f.read
  end
  return html
end

def fetch_links(html)
  doc = nokogiri::html(html)
  #提取文章链接
  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

#程序开始的时间
$total_time_begin = time.now.to_i

#开辟的线程数
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}

#程序结束的时间
$total_time_end = time.now.to_i
puts "线程数：" + threadnums.to_s
puts "执行时间：" + ($total_time_end - $total_time_begin).to_s + "秒"

多线程部分讲解

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

首先声明一个queue队列，然后往队列中添加文章列表页，以便后面可以从这些列表页中提取文章链接,另外queue声明成全局变量($)，以便在函数中也可以访问到。

我的曾是土木人博客文章列表总共有8页，所以需要实现给page_nums赋值为8

#开辟的线程数
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}

通过thread.new来创建线程

创建线程后，会进入until $queue.empty?循环，直到任务队列为空（即：没有要采集的网址了）
开辟的线程，每次都会从任务队列（queue）取到一个url,并通过get_html函数获取网页源码
由于任务队列中的url有分页url和文章url两种，所以要进行区分。
如果是分页url（url中含有“?page”），就直接提取文章链接。
如果是文章url，就保存到本地（save_to()，文件名为文章title）
在循环体外，创建线程完毕后，需要将创建的线程执行thread#join方法，以便让主线程等待，
直到所有的线程执行完毕才结束主线程

代码执行时间统计

#程序开始的时间
$total_time_begin = time.now.to_i
#执行过程

#程序结束的时间
$total_time_end = time.now.to_i
puts "执行时间：" + ($total_time_end - $total_time_begin).to_s + "秒"

time模块的#now方法可以获取当前时间，然后使用to_i，可以将当前时间转换成从1970年1月1日00:00:00 utc开始所经过的秒数。

获取网页源码

#获取网页源码
def get_html(url)
  html = ""
  open(url) do |f|
    html = f.read
  end
  return html
end

ruby中，获取网页的方法用net::http模块和openuri模块。openuri模块最简单，可以直径将指定网页当成普通文件一样进行操作。

执行结果：使用多线程采集130多篇文章，耗时15秒（单线程：47s左右）