如何使用Python和多进程检查网页是否存活

Question

我有一份大约25000个网址的列表，我想检查这些网址是否可用（也就是返回200的响应）。我想用Python的multiprocessing库来并行检查这些网址。我写了下面的代码（主要参考了Python文档的例子），但是运行起来似乎很慢。有没有什么办法可以让这个脚本运行得更快呢？

    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()

任何帮助都非常感谢

Answer 1

有一个简单的方法：

http://scrapy.org/

Scrapy 是一个为 Python 提供的网络爬虫框架：你可以给它一份需要爬取的网址列表（在你的情况下，它不需要跟随链接），它会自动根据你设定的进程或线程限制，扩展成多个爬虫运行——你不需要自己去了解多进程通信和扩展的细节。

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

你自己需要做的就是分析结果。