python/threads04/scraping.py

130 lines
3.9 KiB
Python

import threading
import requests
from bs4 import BeautifulSoup
import mysql.connector
import queue
# Colas para la comunicación entre los hilos
scraping_queue = queue.Queue()
link_queue = queue.Queue()
# Hilo A: Realiza el scraping sobre una página web
def scraping_thread():
while True:
url = scraping_queue.get()
if url is None:
break
print(f"[Hilo A] Scraping de {url}")
try:
response = requests.get(url)
if response.status_code == 200:
soup = BeautifulSoup(response.content, 'html.parser')
page_text = soup.get_text()
links = [initial_url + a['href'] for a in soup.find_all('a', href=True)]
# Pasar el texto al hilo C y los enlaces al hilo B
scraping_data_queue.put((url, page_text))
link_queue.put(links)
thread_b = threading.Thread(target=link_processing_thread, daemon=True)
thread_b.start()
else:
print(f"[Hilo A] Error al acceder a {url}: {response.status_code}")
except Exception as e:
print(f"[Hilo A] Excepción durante scraping: {str(e)}")
finally:
scraping_queue.task_done()
# Hilo B: Procesa los enlaces encontrados por el hilo A
def link_processing_thread():
while True:
links = link_queue.get()
if links is None:
break
print(f"[Hilo B] Procesando {len(links)} enlaces")
# Guardar los enlaces en la base de datos (hilo D)
for link in links:
print(f"[Hilo B] Agregando enlace a link_database_queue: {link}")
link_database_queue.put(link)
link_queue.task_done()
thread_c = threading.Thread(target=save_to_file_thread, daemon=True)
thread_c.start()
# Hilo C: Guarda la información del scraping en un archivo
def save_to_file_thread():
while True:
url, page_text = scraping_data_queue.get()
if url is None:
break
print(f"[Hilo C] Guardando datos de {url}")
with open("scraping_output.txt", "a", encoding='utf-8') as file:
file.write(f"\n\nURL: {url}\n\n{page_text}\n")
scraping_data_queue.task_done()
thread_d = threading.Thread(target=save_to_database_thread)
thread_d.start()
# Hilo D: Guarda los enlaces en la base de datos MySQL y los vuelve a pasar al hilo A
def save_to_database_thread():
try:
# Conexión a la base de datos
conexion = mysql.connector.connect(
host="localhost",
user="thread4",
password="1234",
database="thread4"
)
cursor = conexion.cursor()
link = link_database_queue.get()
# Consulta para insertar la cadena
consulta = "INSERT IGNORE INTO enlaces (enlace) VALUES (%s)"
cursor.execute(consulta, (link,))
# Confirmar la transacción
conexion.commit()
print("Cadena guardada exitosamente.")
except mysql.connector.Error as err:
print(f"Error: {err}")
finally:
if conexion.is_connected():
cursor.close()
conexion.close()
# Inicializar colas para comunicación
scraping_data_queue = queue.Queue()
link_database_queue = queue.Queue()
#create_database()
# URLs iniciales para comenzar el scraping
initial_url = "http://localhost:8081/thread04/"
scraping_queue.put(initial_url)
# Iniciar los hilos
thread_a = threading.Thread(target=scraping_thread, daemon=True)
thread_a.start()
# Esperar a que terminen las colas
scraping_queue.join()
link_queue.join()
scraping_data_queue.join()
link_database_queue.join()
# Detener los hilos una vez finalizadas las tareas
scraping_queue.put(None)
link_queue.put(None)
scraping_data_queue.put(None)
link_database_queue.put(None)
thread_a.join()