Ruby：多线程下载博客文章到本地的完整代码
#encoding:utf-8require 'net/http'require 'thread'require 'open-uri'require 'nokogiri'require 'date'$queue = Queue.new#文章列表页数page_nums = 8page_nums.times do |num| $queue.push("http://www.cnblogs.com/hongfei/default.html?page="+num.to_s)endthreads = []#获取网页源码def get_html(url) html = "" open(url) do |f| html = f.read end return htmlenddef 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 $queue.push(link['href']) end endenddef save_to(save_to,content) f = File.new("./"+save_to+".html","w+") f.write(content) f.close()end#程序开始的时间$total_time_begin = Time.now.to_i#开辟的线程数threadNums = 10threadNums.times do threads<<Thread.new do until $queue.empty? url = $queue.pop(true) rescue nil html = get_html(url) fetch_links(html) if !url.include?"?page" title = Nokogiri::HTML(html).css('title').text puts "["+ Time.now.strftime("%H:%M:%S") + "]「" + title + "」" + url save_to("pages/" + title.gsub(/\//,""),html) if url.include?".html" end end endendthreads.each{|t| t.join}#程序结束的时间$total_time_end = Time.now.to_iputs "线程数：" + threadNums.to_sputs "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 = 8page_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 = 10threadNums.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 endendthreads.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$total_time_end = Time.now.to_iputs "执行时间：" + ($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 htmlend
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）
推荐阅读：