Python 用pycurl获得许多页面？

我想从一个网站上获得很多页面，比如

curl "http://farmsubsidy.org/DE/browse?page=[0000-3603]" -o "de.#1"

但是用python获取页面数据，而不是磁盘文件。 有人可以发布

pycurl

code来做这件事吗，
或者快速

urllib2

（不是一次一个），如果可能的话，

---

或者说“算了吧，卷曲更快更结实”？谢谢

您可以将其放入for循环中的bash脚本中

但是，在使用python解析每个页面时，您可能会获得更好的成功。 您将能够获取准确的数据，同时将其保存到数据库中。

---

这里是一个基于urllib2和线程的解决方案

import urllib2
from threading import Thread

BASE_URL = 'http://farmsubsidy.org/DE/browse?page='
NUM_RANGE = range(0000, 3603)
THREADS = 2

def main():
    for nums in split_seq(NUM_RANGE, THREADS):
        t = Spider(BASE_URL, nums)
        t.start()

def split_seq(seq, num_pieces):
    start = 0
    for i in xrange(num_pieces):
        stop = start + len(seq[i::num_pieces])
        yield seq[start:stop]
        start = stop

class Spider(Thread):
    def __init__(self, base_url, nums):
        Thread.__init__(self)
        self.base_url = base_url
        self.nums = nums
    def run(self):
        for num in self.nums:
            url = '%s%s' % (self.base_url, num)
            data = urllib2.urlopen(url).read()
            print data

if __name__ == '__main__':
    main()

---

所以你有两个问题，让我用一个例子来说明。请注意，pycurl已经完成了多线程处理/而不是一次一个地完成，而不需要您的努力

#! /usr/bin/env python

import sys, select, time
import pycurl,StringIO

c1 = pycurl.Curl()
c2 = pycurl.Curl()
c3 = pycurl.Curl()
c1.setopt(c1.URL, "http://www.python.org")
c2.setopt(c2.URL, "http://curl.haxx.se")
c3.setopt(c3.URL, "http://slashdot.org")
s1 = StringIO.StringIO()
s2 = StringIO.StringIO()
s3 = StringIO.StringIO()
c1.setopt(c1.WRITEFUNCTION, s1.write)
c2.setopt(c2.WRITEFUNCTION, s2.write)
c3.setopt(c3.WRITEFUNCTION, s3.write)

m = pycurl.CurlMulti()
m.add_handle(c1)
m.add_handle(c2)
m.add_handle(c3)

# Number of seconds to wait for a timeout to happen
SELECT_TIMEOUT = 1.0

# Stir the state machine into action
while 1:
    ret, num_handles = m.perform()
    if ret != pycurl.E_CALL_MULTI_PERFORM:
        break

# Keep going until all the connections have terminated
while num_handles:
    # The select method uses fdset internally to determine which file descriptors
    # to check.
    m.select(SELECT_TIMEOUT)
    while 1:
        ret, num_handles = m.perform()
        if ret != pycurl.E_CALL_MULTI_PERFORM:
            break

# Cleanup
m.remove_handle(c3)
m.remove_handle(c2)
m.remove_handle(c1)
m.close()
c1.close()
c2.close()
c3.close()
print "http://www.python.org is ",s1.getvalue()
print "http://curl.haxx.se is ",s2.getvalue()
print "http://slashdot.org is ",s3.getvalue()

最后，这些代码主要基于pycurl site=上的一个示例=

---

也许你真的应该读博士。ppl在这方面花费了大量时间。

如果你想用python抓取一个网站，你应该看看scrapy使用和-

抓取首页：

page = Soup(requests.get(url='http://rootpage.htm').text)

创建请求数组：

from requests import async

requests = [async.get(url.get('href')) for url in page('a')]
responses = async.map(requests)

[dosomething(response.text) for response in responses]

---

请求需要gevent来完成此任务。

我可以推荐您使用的异步模块

例如：

from urlparse import urljoin 
from datetime import datetime

from human_curl.async import AsyncClient 
from human_curl.utils import stdout_debug

def success_callback(response, **kwargs):
    """This function call when response successed
    """
    print("success callback")
    print(response, response.request)
    print(response.headers)
    print(response.content)
    print(kwargs)

def fail_callback(request, opener, **kwargs):
    """Collect errors
    """
    print("fail callback")
    print(request, opener)
    print(kwargs)

with AsyncClient(success_callback=success_callback,
                 fail_callback=fail_callback) as async_client:
    for x in xrange(10000):
        async_client.get('http://google.com/', params=(("x", str(x)),)
        async_client.get('http://google.com/', params=(("x", str(x)),),
                        success_callback=success_callback, fail_callback=fail_callback)

---

用法非常简单。然后页面成功加载失败的异步_客户端调用回调。您还可以指定并联连接的数量。

谢谢Corey；我（线程新手）如何等待它们全部完成？Denis，您可以在main（）中的每个线程上调用join（）。这将一直阻止，直到线程完成。curl在整个传输过程中保持一个持久连接，为3600 TCP新鲜连接执行shell循环将慢得多…它仍将串行运行。请参阅我的答案，了解可以并行下载多个流的版本。是的，很可能在多个线程中使用pycurl会更快！；-）如果有人试图在python级别使用多线程方法，那么由于PythonGil的问题，它实际上并不像您想象的那样并行获取页面。感谢C编写的curl库，curl库的multi_perfrom真正是多线程的。这是我能想到的最快的方法。下面是一个很好的CurlMulti示例：