如何使用多处理的python检查网页是否存在

Question

我有一个 url 列表（大约 25k），我正在尝试检查它们是否还活着（200 响应）。想要使用 Python 的多处理库并行执行这些检查。我写了以下内容（主要基于 Python 文档示例），但它似乎运行得很慢。有什么办法可以让这个脚本运行得更快？

    import urllib2
    import time
    import random

    from multiprocessing import Process, Queue, current_process, freeze_support

    class HeadRequest(urllib2.Request):
        def get_method(self):
            return "HEAD"
    #
    # Function run by worker processes
    #

    def worker(input, output):
        for args in iter(input.get, 'STOP'):
            result = alive(args) 
            output.put(result)

    #
    # Functions referenced by tasks
    #

    def alive(x):
        x = x.strip()
        try:
            return x, ":", urllib2.urlopen(HeadRequest(x)).getcode()
        except urllib2.HTTPError as e:
            return x, ":", e.code
        except:
            return x, ": Error"

    #
    #
    #

    def check():
        NUMBER_OF_PROCESSES = 500
        text_file = open("url.txt", "r")
        TASKS1 = text_file.readlines()

        # Create queues
        task_queue = Queue()
        done_queue = Queue()

        # Submit tasks
        for task in TASKS1:
            task_queue.put(task)

        # Start worker processes
        for i in range(NUMBER_OF_PROCESSES):
            Process(target=worker, args=(task_queue, done_queue)).start()

        # Get and print results
        for i in range(len(TASKS1)):
            print done_queue.get()

        # Tell child processes to stop
        for i in range(NUMBER_OF_PROCESSES):
            task_queue.put('STOP')


    if __name__ == '__main__':
        freeze_support()
        check()

感谢任何帮助

Answer 1

有一个简单的方法：

http://scrapy.org/

Scrapy 为 Python 提供网络爬虫框架：你可以给它一个要爬取的 URL 列表（在你的情况下它不需要跟踪链接），它会在你给定的进程/线程限制内自动扩展到多个爬虫到它 - 你不需要去了解多进程通信和扩展自己的细节。

http://doc.scrapy.org/topics/scrapyd.html#topics-scrapyd

您自己的代码唯一剩下的就是分析结果。