linux多线程网页截图-shell

老大临时安排任务，要定期对大量（万为单位）的网站截图并归档保存。最早使用的是window下的一个解决方案：webshotcmd.exe+批处理。运行了一段时间，发现经常弹出webshotcmd.exe程序未响应的窗口，需要人工点击确定后才能继续截图，而且webshocmd未注册版本截出的图是灰色的，不方便查看。

google了下，发现了linux的两个截图工具cutycapt和phantomjs，经过测试，cutycapt截图较慢，但比较稳定，phantomjs截图速度较快，但时有出现进程假死的情况。权衡利弊，决定使用cutycapt+shell脚本的方式截图：

webshot.sh

#/bin/bash
#webhsot
#by caishzh 2013
 
WEBSHOTDIR="/data/webshot"
mkdir -p $WEBSHOTDIR
 
while read LINE
do
     DISPLAY=:0 cutycapt --url=http://$LINE --max-wait=90000 --out=$WEBSHOTDIR/$LINE.jpg >/dev/null 2>&1
done<domain.txt

脚本很简单，就不注释了，domain.txt是网址列表。cutycapt的安装和使用参照这里。
执行脚本，可以正常截图，图片质量也很高。但另一个问题出现了，对几万个网站截图，时间周期太长，估算需要半个月左右。
时间太长，耗不起，需要优化下脚本。找了下资料，决定使用多线程截图。其实shell无法实现多线程，只是将多个进程放入后台执行而已。

multiwebshot.sh

#/bin/bash
#Multithreading webshot
#by caishzh 2013
 
WEBSHOTDIR="/data/webshot"
mkdir -p $WEBSHOTDIR
 
#将domain.txt分割成10个文件（x开头），每个文件5000行
split -l 5000 domain.txt
 
 
for i in `ls x*`;do
{
    for j in `cat $i`;do
            DISPLAY=:0 cutycapt --url=http://$j --max-wait=90000 --out=$WEBSHOTDIR/$j.jpg >/dev/null 2>&1
    done
}&
done
wait
#删除由spilt分割出的临时文件
rm x* -f

脚本说明：
先使用split将domain.txt分割成多个个文件，每个文件5000行，再使用两个嵌套的for循环实现多进程截图。第一个for是列出由 split分割的的文件名，第二个for对这些文件里的网站截图，注意大括号后面的&，&的作用是将大括号里的脚本代码放到后台执行，这就模拟处理“多线程”的效果，实际则是多进程。wait是等待前面的后台任务全部完成才往下执行。

使用该脚本大大提高了截图的是速度，在两天左右的时间里完成所有网站的截图，效果显著。需要注意的是，cutycapt截图是需要占用较大的网络带宽和cpu资源，在配置较差的机器上不要开太多的cutycapt“线程”，以免造成机器死机。

参考：
SHELL模拟多线程脚本的详细注解

来源：oschina

链接：https://my.oschina.net/u/919524/blog/137265

标签

多线程

cutycapt