当前位置:   article > 正文

python爬虫:爬虫进阶之多线程爬虫

多线程爬虫

多线程爬虫

有些时候,比如下载图片,因为下载图片是一个耗时的操作。如果采用之前那种同步的方式下载。那效率肯会特别慢。这时候我们就可以考虑使用多线程的方式来下载图片。

多线程介绍:

多线程是为了同步完成多项任务,通过提高资源使用效率来提高系统的效率。线程是在同一时间需要完成多项任务的时候实现的。
最简单的比喻多线程就像火车的每一节车厢,而进程则是火车。车厢离开火车是无法跑动的,同理火车也可以有多节车厢。多线程的出现就是为了提高效率。同时它的出现也带来了一些问题。更多介绍请参考:https://baike.baidu.com/item/多线程/1190404?fr=aladdin

threading模块介绍:

threading模块是python中专门提供用来做多线程编程的模块。threading模块中最常用的类是Thread。以下看一个简单的多线程程序:

    import threading
    import time
    
    def coding():
        for x in range(3):
            print('%s正在写代码' % x)
            time.sleep(1)
    
    def drawing():
        for x in range(3):
            print('%s正在画图' % x)
            time.sleep(1)
    
    
    def single_thread():
        coding()
        drawing()
    
    def multi_thread():
        t1 = threading.Thread(target=coding)
        t2 = threading.Thread(target=drawing)
    
        t1.start()
        t2.start()
    
    if __name__ == '__main__':
        multi_thread()
    
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28

查看线程数:

使用threading.enumerate()函数便可以看到当前线程的数量。

查看当前线程的名字:

使用threading.current_thread()可以看到当前线程的信息。

继承自threading.Thread类:

为了让线程代码更好的封装。可以使用threading模块下的Thread类,继承自这个类,然后重写 run方法,线程就会自动运行run方法中的代码。示例代码如下:

    import threading
    import time
    
    class CodingThread(threading.Thread):
        def run(self):
            for x in range(3):
                print('%s正在写代码' % threading.current_thread())
                time.sleep(1)
    
    class DrawingThread(threading.Thread):
        def run(self):
            for x in range(3):
                print('%s正在画图' % threading.current_thread())
                time.sleep(1)
    
    def multi_thread():
        t1 = CodingThread()
        t2 = DrawingThread()
    
        t1.start()
        t2.start()
    
    if __name__ == '__main__':
        multi_thread()
    
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25

多线程共享全局变量的问题:

多线程都是在同一个进程中运行的。因此在进程中的全局变量所有线程都是可共享的。这就造成了一个问题,因为线程执行的顺序是无序的。有可能会造成数据错误。比如以下代码:

    import threading
    
    tickets = 0
    
    def get_ticket():
        global tickets
        for x in range(1000000):
            tickets += 1
        print('tickets:%d'%tickets)
    
    def main():
        for x in range(2):
            t = threading.Thread(target=get_ticket)
            t.start()
    
    if __name__ == '__main__':
        main()
    
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18

以上结果正常来讲应该是1000000 ,但是因为多线程运行的不确定性。因此最后的结果可能是随机的。

锁机制:

为了解决以上使用共享全局变量的问题。threading提供了一个Lock类,这个类可以在某个线程访问某个变量的时候加锁,其他线程此时就不能进来,直到当前线程处理完后,把锁释放了,其他线程才能进来处理。示例代码如下:

    import threading
    
    VALUE = 0
    
    gLock = threading.Lock()
    
    def add_value():
        global VALUE
        gLock.acquire()
        for x in range(1000000):
            VALUE += 1
        gLock.release()
        print('value:%d'%VALUE)
    
    def main():
        for x in range(2):
            t = threading.Thread(target=add_value)
            t.start()
    
    if __name__ == '__main__':
        main()
    
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22

Lock版本生产者和消费者模式:

生产者和消费者模式是多线程开发中经常见到的一种模式。生产者的线程专门用来生产一些数据,然后存放到一个中间的变量中。消费者再从这个中间的变量中取出数据进行消费。但是因为要使用中间变量,中间变量经常是一些全局变量,因此需要使用锁来保证数据完整性。以下是使用threading.Lock锁实现的“生产者与消费者模式”的一个例子:

    import threading
    import random
    import time
    
    gMoney = 1000
    gLock = threading.Lock()
    # 记录生产者生产的次数,达到10次就不再生产
    gTimes = 0
    
    class Producer(threading.Thread):
        def run(self):
            global gMoney
            global gLock
            global gTimes
            while True:
                money = random.randint(100, 1000)
                gLock.acquire()
                # 如果已经达到10次了,就不再生产了
                if gTimes >= 10:
                    gLock.release()
                    break
                gMoney += money
                print('%s当前存入%s元钱,剩余%s元钱' % (threading.current_thread(), money, gMoney))
                gTimes += 1
                time.sleep(0.5)
                gLock.release()
    
    class Consumer(threading.Thread):
        def run(self):
            global gMoney
            global gLock
            global gTimes
            while True:
                money = random.randint(100, 500)
                gLock.acquire()
                if gMoney > money:
                    gMoney -= money
                    print('%s当前取出%s元钱,剩余%s元钱' % (threading.current_thread(), money, gMoney))
                    time.sleep(0.5)
                else:
                    # 如果钱不够了,有可能是已经超过了次数,这时候就判断一下
                    if gTimes >= 10:
                        gLock.release()
                        break
                    print("%s当前想取%s元钱,剩余%s元钱,不足!" % (threading.current_thread(),money,gMoney))
                gLock.release()
    
    def main():
        for x in range(5):
            Consumer(name='消费者线程%d'%x).start()
    
        for x in range(5):
            Producer(name='生产者线程%d'%x).start()
    
    if __name__ == '__main__':
        main()
    
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57

Condition版的生产者与消费者模式:

Lock版本的生产者与消费者模式可以正常的运行。但是存在一个不足,在消费者中,总是通过while True死循环并且上锁的方式去判断钱够不够。上锁是一个很耗费CPU资源的行为。因此这种方式不是最好的。还有一种更好的方式便是使用threading.Condition来实现。threading.Condition可以在没有数据的时候处于阻塞等待状态。一旦有合适的数据了,还可以使用notify相关的函数来通知其他处于等待状态的线程。这样就可以不用做一些无用的上锁和解锁的操作。可以提高程序的性能。首先对threading.Condition相关的函数做个介绍,threading.Condition类似threading.Lock,可以在修改全局数据的时候进行上锁,也可以在修改完毕后进行解锁。以下将一些常用的函数做个简单的介绍:

  1. acquire:上锁。
  2. release:解锁。
  3. wait:将当前线程处于等待状态,并且会释放锁。可以被其他线程使用notifynotify_all函数唤醒。被唤醒后会继续等待上锁,上锁后继续执行下面的代码。
  4. notify:通知某个正在等待的线程,默认是第1个等待的线程。
  5. notify_all:通知所有正在等待的线程。notifynotify_all不会释放锁。并且需要在release之前调用。

Condition版的生产者与消费者模式代码如下:

    import threading
    import random
    import time
    
    gMoney = 1000
    gCondition = threading.Condition()
    gTimes = 0
    gTotalTimes = 5
    
    class Producer(threading.Thread):
        def run(self):
            global gMoney
            global gCondition
            global gTimes
            while True:
                money = random.randint(100, 1000)
                gCondition.acquire()
                if gTimes >= gTotalTimes:
                    gCondition.release()
                    print('当前生产者总共生产了%s次'%gTimes)
                    break
                gMoney += money
                print('%s当前存入%s元钱,剩余%s元钱' % (threading.current_thread(), money, gMoney))
                gTimes += 1
                time.sleep(0.5)
                gCondition.notify_all()
                gCondition.release()
    
    class Consumer(threading.Thread):
        def run(self):
            global gMoney
            global gCondition
            while True:
                money = random.randint(100, 500)
                gCondition.acquire()
                # 这里要给个while循环判断,因为等轮到这个线程的时候
                # 条件有可能又不满足了
                while gMoney < money:
                    if gTimes >= gTotalTimes:
                        gCondition.release()
                        return
                    print('%s准备取%s元钱,剩余%s元钱,不足!'%(threading.current_thread(),money,gMoney))
                    gCondition.wait()
                gMoney -= money
                print('%s当前取出%s元钱,剩余%s元钱' % (threading.current_thread(), money, gMoney))
                time.sleep(0.5)
                gCondition.release()
    
    def main():
        for x in range(5):
            Consumer(name='消费者线程%d'%x).start()
    
        for x in range(2):
            Producer(name='生产者线程%d'%x).start()
    
    if __name__ == '__main__':
        main()
    
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58

Queue线程安全队列:

在线程中,访问一些全局变量,加锁是一个经常的过程。如果你是想把一些数据存储到某个队列中,那么Python内置了一个线程安全的模块叫做queue模块。Python中的queue模块中提供了同步的、线程安全的队列类,包括FIFO(先进先出)队列Queue,LIFO(后入先出)队列LifoQueue。这些队列都实现了锁原语(可以理解为原子操作,即要么不做,要么都做完),能够在多线程中直接使用。可以使用队列来实现线程间的同步。相关的函数如下:

  1. 初始化Queue(maxsize):创建一个先进先出的队列。
  2. qsize():返回队列的大小。
  3. empty():判断队列是否为空。
  4. full():判断队列是否满了。
  5. get():从队列中取最后一个数据。
  6. put():将一个数据放到队列中。

使用生产者与消费者模式多线程下载表情包:

    import threading
    import requests
    from lxml import etree
    from urllib import request
    import os
    import re
    from queue import Queue
    
    class Producer(threading.Thread):
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'
        }
        def __init__(self,page_queue,img_queue,*args,**kwargs):
            super(Producer, self).__init__(*args,**kwargs)
            self.page_queue = page_queue
            self.img_queue = img_queue
    
    
        def run(self):
            while True:
                if self.page_queue.empty():
                    break
                url = self.page_queue.get()
                self.parse_page(url)
    
        def parse_page(self,url):
            response = requests.get(url,headers=self.headers)
            text = response.text
            html = etree.HTML(text)
            imgs = html.xpath("//div[@class='page-content text-center']//a//img")
            for img in imgs:
                if img.get('class') == 'gif':
                    continue
                img_url = img.xpath(".//@data-original")[0]
                suffix = os.path.splitext(img_url)[1]
                alt = img.xpath(".//@alt")[0]
                alt = re.sub(r'[,。??,/\\·]','',alt)
                img_name = alt + suffix
                self.img_queue.put((img_url,img_name))
    
    class Consumer(threading.Thread):
        def __init__(self,page_queue,img_queue,*args,**kwargs):
            super(Consumer, self).__init__(*args,**kwargs)
            self.page_queue = page_queue
            self.img_queue = img_queue
    
        def run(self):
            while True:
                if self.img_queue.empty():
                    if self.page_queue.empty():
                        return
                img = self.img_queue.get(block=True)
                url,filename = img
                request.urlretrieve(url,'images/'+filename)
                print(filename+'  下载完成!')
    
    def main():
        page_queue = Queue(100)
        img_queue = Queue(500)
        for x in range(1,101):
            url = "http://www.doutula.com/photo/list/?page=%d" % x
            page_queue.put(url)
    
        for x in range(5):
            t = Producer(page_queue,img_queue)
            t.start()
    
        for x in range(5):
            t = Consumer(page_queue,img_queue)
            t.start()
    
    if __name__ == '__main__':
        main()
    
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72
  • 73
  • 74

GIL全局解释器锁:

Python自带的解释器是CPythonCPython解释器的多线程实际上是一个假的多线程(在多核CPU中,只能利用一核,不能利用多核)。同一时刻只有一个线程在执行,为了保证同一时刻只有一个线程在执行,在CPython解释器中有一个东西叫做GIL(Global Intepreter Lock),叫做全局解释器锁。这个解释器锁是有必要的。因为CPython解释器的内存管理不是线程安全的。当然除了CPython解释器,还有其他的解释器,有些解释器是没有GIL锁的,见下面:

  1. Jython:用Java实现的Python解释器。不存在GIL锁。更多详情请见:https://zh.wikipedia.org/wiki/Jython
  2. IronPython:用.net实现的Python解释器。不存在GIL锁。更多详情请见:https://zh.wikipedia.org/wiki/IronPython
  3. PyPy:用Python实现的Python解释器。存在GIL锁。更多详情请见:https://zh.wikipedia.org/wiki/PyPy
    GIL虽然是一个假的多线程。但是在处理一些IO操作(比如文件读写和网络请求)还是可以在很大程度上提高效率的。在IO操作上建议使用多线程提高效率。在一些CPU计算操作上不建议使用多线程,而建议使用多进程。

多线程下载百思不得姐段子:

    import requests
    from lxml import etree
    import threading
    from queue import Queue
    import csv
    
    
    class BSSpider(threading.Thread):
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'
        }
        def __init__(self,page_queue,joke_queue,*args,**kwargs):
            super(BSSpider, self).__init__(*args,**kwargs)
            self.base_domain = 'http://www.budejie.com'
            self.page_queue = page_queue
            self.joke_queue = joke_queue
    
        def run(self):
            while True:
                if self.page_queue.empty():
                    break
                url = self.page_queue.get()
                response = requests.get(url, headers=self.headers)
                text = response.text
                html = etree.HTML(text)
                descs = html.xpath("//div[@class='j-r-list-c-desc']")
                for desc in descs:
                    jokes = desc.xpath(".//text()")
                    joke = "\n".join(jokes).strip()
                    link = self.base_domain+desc.xpath(".//a/@href")[0]
                    self.joke_queue.put((joke,link))
                print('='*30+"第%s页下载完成!"%url.split('/')[-1]+"="*30)
    
    class BSWriter(threading.Thread):
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'
        }
    
        def __init__(self, joke_queue, writer,gLock, *args, **kwargs):
            super(BSWriter, self).__init__(*args, **kwargs)
            self.joke_queue = joke_queue
            self.writer = writer
            self.lock = gLock
    
        def run(self):
            while True:
                try:
                    joke_info = self.joke_queue.get(timeout=40)
                    joke,link = joke_info
                    self.lock.acquire()
                    self.writer.writerow((joke,link))
                    self.lock.release()
                    print('保存一条')
                except:
                    break
    
    def main():
        page_queue = Queue(10)
        joke_queue = Queue(500)
        gLock = threading.Lock()
        fp = open('bsbdj.csv', 'a',newline='', encoding='utf-8')
        writer = csv.writer(fp)
        writer.writerow(('content', 'link'))
    
        for x in range(1,11):
            url = 'http://www.budejie.com/text/%d' % x
            page_queue.put(url)
    
        for x in range(5):
            t = BSSpider(page_queue,joke_queue)
            t.start()
    
        for x in range(5):
            t = BSWriter(joke_queue,writer,gLock)
            t.start()
    
    if __name__ == '__main__':
        main()
    
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72
  • 73
  • 74
  • 75
  • 76
  • 77
  • 78
  • 79
声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/IT小白/article/detail/189667?site
推荐阅读
相关标签
  

闽ICP备14008679号