Python中的Feedparser和多线程

Question

我有一个将近500个的RSS/ATOM源网址的列表，想要解析并获取其中的链接。

我正在使用Python的feedparser库来解析这些网址。为了同时处理这些网址，我想到了使用Python的线程库。

我的代码大概是这样的：

import threading
import feedparser

class PullFeeds:
    def _init__(self):
        self.data = open('urls.txt', 'r')

    def pullfeed(self):
        threads = []
        for url in self.data:
             t = RssParser(url)
             threads.append(t)
        for thread in threads:
             thread.start()
        for thread in threads:
             thread.join()

class RssParser(threading.Thread):
     def __init__(self, url):
         threading.Thread.__init__(self)
         self.url = url

     def run(self):
         print "Starting: ", self.name
         rss_data = feedparser.parse(self.url)
         for entry in rss_data.get('entries'):
             print entry.get('link')
         print "Exiting: ", self.name


pf = PullFeeds()
pf.pullfeed()

问题是，当我运行这个脚本时，Feedparser返回了一个空列表。但是如果不使用线程，feedparser就能正常打印出从提供的网址解析出来的链接。

我该怎么解决这个问题呢？

Answer 1

为了检查问题是否出在多线程上，你可以尝试使用多个进程来代替：

#!/usr/bin/env python
####from multiprocessing.dummy import Pool # use threads
from multiprocessing import Pool # use processes
from multiprocessing import freeze_support
import feedparser

def fetch_rss(url):
    try:
        data = feedparser.parse(url)
    except Exception as e:
        return url, None, str(e)
    else:
        e = data.get('bozo_exception')
        return url, data['entries'], str(e) if e else None

if __name__=="__main__":
    freeze_support()
    with open('urls.txt') as file:
        urls = (line.strip() for line in file if line.strip())
        pool = Pool(20) # no more than 20 concurrent downloads
        for url, items, error in pool.imap_unordered(fetch_rss, urls):
            if error is None:
                print(url, len(items))
            else:
                print(url, error)

Answer 2

问题出在Vagrant上。我是在我的一个Vagrant虚拟机里运行这个脚本的，而同样的脚本在Vagrant外面运行得很好。

这个问题需要被报告。我还不确定应该把这个bug报告到哪里，是Vagrant的问题，还是Python的线程问题，或者是Feedparser库的问题。