#encoding:utf-8
require 'net/http'
require 'thread'
require 'open-uri'
require 'nokogiri'
require 'date'
$queue = Queue.new
#文章列表頁(yè)數(shù)
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(wǎng)頁(yè)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(shí)間
$total_time_begin = Time.now.to_i
#開辟的線程數(shù)
threadNums = 10
threadNums.times do
threadsThread.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(jié)束的時(shí)間
$total_time_end = Time.now.to_i
puts "線程數(shù)：" + threadNums.to_s
puts "執(zhí)行時(shí)間：" + ($total_time_end - $total_time_begin).to_s + "秒"
首先聲明一個(gè)Queue隊(duì)列，然后往隊(duì)列中添加文章列表頁(yè)，以便后面可以從這些列表頁(yè)中提取文章鏈接,另外queue聲明成全局變量($)，以便在函數(shù)中也可以訪問到。
創(chuàng)建線程后，會(huì)進(jìn)入until $queue.empty?循環(huán)，直到任務(wù)隊(duì)列為空（即：沒有要采集的網(wǎng)址了）
開辟的線程，每次都會(huì)從任務(wù)隊(duì)列（queue）取到一個(gè)url,并通過get_html函數(shù)獲取網(wǎng)頁(yè)源碼
由于任務(wù)隊(duì)列中的url有分頁(yè)url和文章url兩種，所以要進(jìn)行區(qū)分。
如果是分頁(yè)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(huán)體外，創(chuàng)建線程完畢后，需要將創(chuàng)建的線程執(zhí)行Thread#join方法，以便讓主線程等待，
直到所有的線程執(zhí)行完畢才結(jié)束主線程
#程序開始的時(shí)間
$total_time_begin = Time.now.to_i
#執(zhí)行過程
#程序結(jié)束的時(shí)間
$total_time_end = Time.now.to_i
puts "執(zhí)行時(shí)間：" + ($total_time_end - $total_time_begin).to_s + "秒"
TIme模塊的#now方法可以獲取當(dāng)前時(shí)間，然后使用to_i，可以將當(dāng)前時(shí)間轉(zhuǎn)換成從1970年1月1日00:00:00 UTC開始所經(jīng)過的秒數(shù)。
ruby中，獲取網(wǎng)頁(yè)的方法用Net::HTTP模塊和OpenURI模塊。OpenURI模塊最簡(jiǎn)單，可以直徑將指定網(wǎng)頁(yè)當(dāng)成普通文件一樣進(jìn)行操作。
