【Python 爬虫】多线程爬取_多线程爬虫

---

---

前言

简单的爬虫只有一个进程、一个线程，因此称为单线程爬虫。单线程爬虫每次只访问一个页面，不能充分利用计算机的网络带宽。一个页面最多也就几百KB，所以爬虫在爬取一个页面的时候，多出来的网速和从发起请求到得到源代码中间的时间都被浪费了。如果可以让爬虫同时访问10个页面，就相当于爬取速度提高了10倍。为了达到这个目的，就需要使用多线程技术了。

微观上的单线程，在宏观上就像同时在做几件事。这种机制在 I/O（Input/Output，输入/输出）密集型的操作上影响不大，但是在CPU计算密集型的操作上面，由于只能使用CPU的一个核，就会对性能产生非常大的影响。所以涉及计算密集型的程序，就需要使用多进程。

爬虫属于I/O密集型的程序，所以使用多线程可以大大提高爬取效率。

---

一、多进程库（multiprocessing）

multiprocessing 本身是Python的多进程库，用来处理与多进程相关的操作。但是由于进程与进程之间不能直接共享内存和堆栈资源，而且启动新的进程开销也比线程大得多，因此使用多线程来爬取比使用多进程有更多的优势。

multiprocessing下面有一个dummy模块 ，它可以让Python的线程使用multiprocessing的各种方法。

dummy下面有一个Pool类 ，它用来实现线程池。这个线程池有一个map()方法，可以让线程池里面的所有线程都“同时”执行一个函数。

测试案例
     计算0～9的每个数的平方

# 循环
for i in range(10):
	print(i ** i)
1
2
3

也许你的第一反应会是上面这串代码，循环不就行了吗？反正就10个数！

这种写法当然可以得到结果，但是代码是一个数一个数地计算，效率并不高。而如果使用多线程的技术，让代码同时计算很多个数的平方，就需要使用 multiprocessing.dummy 来实现：

from multiprocessing.dummy import Pool

# 平方函数
def calc_power2(num):
    return num * num

# 定义三个线程池
pool = Pool(3)
# 定义循环数
origin_num = [x for x in range(10)]
# 利用map让线程池中的所有线程‘同时’执行calc_power2函数
result = pool.map(calc_power2, origin_num)
print(f'计算1-10的平方分别为：{result}')
1
2
3
4
5
6
7
8
9
10
11
12
13

在上面的代码中，先定义了一个函数用来计算平方，然后初始化了一个有3个线程的线程池。这3个线程负责计算10个数字的平方，谁先计算完手上的这个数，谁就先取下一个数继续计算，直到把所有的数字都计算完成为止。

在这个例子中，线程池的 map() 方法接收两个参数，第1个参数是函数名，第2个参数是一个列表。注意：第1个参数仅仅是函数的名字，是不能带括号的。第2个参数是一个可迭代的对象，这个可迭代对象里面的每一个元素都会被函数 clac_power2() 接收来作为参数。除了列表以外，元组、集合或者字典都可以作为 map() 的第2个参数。

返回顶部

---

二、多线程爬虫

由于爬虫是 I/O密集型 的操作，特别是在请求网页源代码的时候，如果使用单线程来开发，会浪费大量的时间来等待网页返回，所以把多线程技术应用到爬虫中，可以大大提高爬虫的运行效率。

下面通过两段代码来对比单线程爬虫和多线程爬虫爬取CSDN首页的性能差异：

import time
import requests
from multiprocessing.dummy import Pool

# 自定义函数
def query(url):
    requests.get(url)

start = time.time()
for i in range(100):
    query('https://www.csdn.net/')
end = time.time()
print(f'单线程循环访问100次CSDN，耗时：{end - start}')

start = time.time()
url_list = []
for i in range(100):
    url_list.append('https://www.csdn.net/')
pool = Pool(5)
pool.map(query, url_list)
end = time.time()
print(f'5线程访问100次CSDN，耗时：{end - start}')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

从运行结果可以看到，一个线程用时约69.4s，5个线程用时约14.3s，时间是单线程的五分之一左右。从时间上也可以看到5个线程“同时运行”的效果。

但并不是说线程池设置得越大越好。从上面的结果也可以看到，5个线程运行的时间其实比一个线程运行时间的五分之一（13.88s）要多一点。这多出来的一点其实就是线程切换的时间。这也从侧面反映了Python的多线程在微观上还是串行的。

因此，如果线程池设置得过大，线程切换导致的开销可能会抵消多线程带来的性能提升。线程池的大小需要根据实际情况来确定，并没有确切的数据。

返回顶部

---

三、案例实操

从 https://www.kanunu8.com/book2/11138/ 爬取《北欧众神》所有章节的网址，再通过一个多线程爬虫将每一章的内容爬取下来。在本地创建一个“北欧众神”文件夹，并将小说中的每一章分别保存到这个文件夹中，且每一章保存为一个文件。

import re
import os
import requests
from multiprocessing.dummy import Pool

# 爬取的主网站地址
start_url = 'https://www.kanunu8.com/book2/11138/'
"""
获取网页源代码
:param url: 网址
:return: 网页源代码
"""
def get_source(url):
    html = requests.get(url)
    return html.content.decode('gbk')  # 这个网页需要使用gbk方式解码才能让中文正常显示

"""
获取每一章链接，储存到一个列表中并返回
:param html: 目录页源代码
:return: 每章链接
"""
def get_article_url(html):
    article_url_list = []
    article_block = re.findall('正文(.*?)<div class="clear">', html, re.S)[0]
    article_url = re.findall('<a href="(\d*.html)">', article_block, re.S)
    for url in article_url:
        article_url_list.append(start_url + url)
    return article_url_list

"""
获取每一章的正文并返回章节名和正文
:param html: 正文源代码
:return: 章节名，正文
"""
def get_article(html):
    chapter_name = re.findall('<h1>(.*?)<br>', html, re.S)[0]
    text_block = re.search('<p>(.*?)</p>', html, re.S).group(1)
    text_block = text_block.replace('&nbsp;', '')           # 替换 &nbsp; 网页空格符
    text_block = text_block.replace('<p>', '')              # 替换 <p></p> 中的嵌入的 <p></p> 中的 <p>
    return chapter_name, text_block

"""
将每一章保存到本地
:param chapter: 章节名, 第X章
:param article: 正文内容
:return: None
"""
def save(chapter, article):
    os.makedirs('北欧众神', exist_ok=True)  # 如果没有"北欧众神"文件夹，就创建一个，如果有，则什么都不做"
    with open(os.path.join('北欧众神', chapter + '.txt'), 'w', encoding='utf-8') as f:
        f.write(article)

"""
根据正文网址获取正文源代码，并调用get_article函数获得正文内容最后保存到本地
:param url: 正文网址
:return: None
"""
def query_article(url):
    article_html = get_source(url)
    chapter_name, article_text = get_article(article_html)
    # print(chapter_name)
    # print(article_text)
    save(chapter_name, article_text)

if __name__ == '__main__':
    toc_html = get_source(start_url)
    toc_list = get_article_url(toc_html)
    pool = Pool(4)
    pool.map(query_article, toc_list)
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

返回顶部

---

四、案例解析

1、获取网页内容

# 爬取的主网站地址
start_url = 'https://www.kanunu8.com/book2/11138/'
"""
获取网页源代码
:param url: 网址
:return: 网页源代码
"""
def get_source(url):
    html = requests.get(url)
    return html.content.decode('gbk')  # 这个网页需要使用gbk方式解码才能让中文正常显示
1
2
3
4
5
6
7
8
9
10

这一部分并不难，主要就是指明需要爬取的网站，并通过 request.get() 的请求方式获取网站，在通过 content.decode() 获取网页的解码内容，其实就是获取网页的源代码。

返回顶部

---

2、获取每一章链接

"""
获取每一章链接，储存到一个列表中并返回
:param html: 目录页源代码
:return: 每章链接
"""
def get_article_url(html):
    article_url_list = []
    # 根据正文锁定每一章节的链接区域
    article_block = re.findall('正文(.*?)<div class="clear">', html, re.S)[0]
    # 获取到每一章的链接
    article_url = re.findall('<a href="(\d*.html)">', article_block, re.S)
    for url in article_url:
        article_url_list.append(start_url + url)
    return article_url_list
1
2
3
4
5
6
7
8
9
10
11
12
13
14

这里需要获取到每一章的链接，首先我们根据正文锁定每一章节的链接区域，然后在链接区域中获取到每一章的链接，形成列表返回。

在获取每章链接的时候，通过页面源码可以发现均为数字开头，.html结尾，于是利用正则 (\d*.html) 匹配即可：

返回顶部

---

3、获取每一章的正文并返回章节名和正文

"""
获取每一章的正文并返回章节名和正文
:param html: 正文源代码
:return: 章节名，正文
"""
def get_article(html):
    chapter_name = re.findall('<h1>(.*?)<br>', html, re.S)[0]
    text_block = re.search('<p>(.*?)</p>', html, re.S).group(1)
    text_block = text_block.replace('&nbsp;', '')           # 替换 &nbsp; 网页空格符
    text_block = text_block.replace('<p>', '')              # 替换 <p></p> 中的嵌入的 <p></p> 中的 <p>
    return chapter_name, text_block
1
2
3
4
5
6
7
8
9
10
11

这里利用正则分别匹配出每章的标题和正文内容：

格式化后：

返回顶部

---

4、将每一章保存到本地

"""
将每一章保存到本地
:param chapter: 章节名, 第X章
:param article: 正文内容
:return: None
"""
def save(chapter, article):
    os.makedirs('北欧众神', exist_ok=True)  # 如果没有"北欧众神"文件夹，就创建一个，如果有，则什么都不做"
    with open(os.path.join('北欧众神', chapter + '.txt'), 'w', encoding='utf-8') as f:
        f.write(article)
1
2
3
4
5
6
7
8
9
10

这里获取到我们处理好的文章标题及内容，并将其写入本地磁盘。首先创建文件夹，然后打开文件夹以 章节名+.txt 结尾存储每章内容。

返回顶部

---

5、多线程爬取文章

"""
根据正文网址获取正文源代码，并调用get_article函数获得正文内容最后保存到本地
:param url: 正文网址
:return: None
"""
def query_article(url):
    article_html = get_source(url)
    chapter_name, article_text = get_article(article_html)
    # print(chapter_name)
    # print(article_text)
    save(chapter_name, article_text)

if __name__ == '__main__':
    toc_html = get_source(start_url)
    toc_list = get_article_url(toc_html)
    pool = Pool(4)
    pool.map(query_article, toc_list)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

这里 query_article 调用 get_source、get_article 函数获取以上分析的内容，再调用 save 函数进行本地存储，主入口main中创建线程池，包含4个线程。

map()方法，可以让线程池里面的所有线程都“同时”执行一个函数。 同时map() 方法接收两个参数，第1个参数是函数名，第2个参数是一个列表。这里我们需要对每一个章节进行爬取，所以应该是遍历章节链接的列表（调用 get_article_url 获取），执行 query_article 方法进行爬取保存。

最后运行程序即可！

返回顶部

---