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 timedef 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()

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，然后实现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 timeclass 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()

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 threadingtickets = 0def get_ticket():global ticketsfor x in range(1000000):tickets += 1print('tickets:%d'%tickets)def main():for x in range(2):t = threading.Thread(target=get_ticket)t.start()if __name__ == '__main__':main()

以上结果正常来讲应该是6，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 threadingVALUE = 0gLock = threading.Lock()def add_value():global VALUEgLock.acquire()for x in range(1000000):VALUE += 1gLock.release()print('value：%d'%VALUE)def main():for x in range(2):t = threading.Thread(target=add_value)t.start()if __name__ == '__main__':main()

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 timegMoney = 1000
gLock = threading.Lock()
# 记录生产者生产的次数，达到10次就不再生产
gTimes = 0class Producer(threading.Thread):def run(self):global gMoneyglobal gLockglobal gTimeswhile 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()breakgMoney += moneyprint('%s当前存入%s元钱，剩余%s元钱' % (threading.current_thread(), money, gMoney))gTimes += 1time.sleep(0.5)gLock.release()class Consumer(threading.Thread):def run(self):global gMoneyglobal gLockglobal gTimeswhile True:money = random.randint(100, 500)gLock.acquire()if gMoney > money:gMoney -= moneyprint('%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()breakprint("%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()

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：

acquire：上锁。
release：解锁。
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notify和notify_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。
notify：通知某个正在等待的线程，默认是第1个等待的线程。
notify_all：通知所有正在等待的线程。notify和notify_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 timegMoney = 1000
gCondition = threading.Condition()
gTimes = 0
gTotalTimes = 5class Producer(threading.Thread):def run(self):global gMoneyglobal gConditionglobal gTimeswhile 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)breakgMoney += moneyprint('%s当前存入%s元钱，剩余%s元钱' % (threading.current_thread(), money, gMoney))gTimes += 1time.sleep(0.5)gCondition.notify_all()gCondition.release()class Consumer(threading.Thread):def run(self):global gMoneyglobal gConditionwhile 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()returnprint('%s准备取%s元钱，剩余%s元钱，不足！'%(threading.current_thread(),money,gMoney))gCondition.wait()gMoney -= moneyprint('%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()

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：

初始化Queue(maxsize)：创建一个先进先出的队列。
qsize()：返回队列的大小。
empty()：判断队列是否为空。
full()：判断队列是否满了。
get()：从队列中取最后一个数据。
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 Queueclass 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_queueself.img_queue = img_queuedef run(self):while True:if self.page_queue.empty():breakurl = self.page_queue.get()self.parse_page(url)def parse_page(self,url):response = requests.get(url,headers=self.headers)text = response.texthtml = etree.HTML(text)imgs = html.xpath("//div[@class='page-content text-center']//a//img")for img in imgs:if img.get('class') == 'gif':continueimg_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 + suffixself.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_queueself.img_queue = img_queuedef run(self):while True:if self.img_queue.empty():if self.page_queue.empty():returnimg = self.img_queue.get(block=True)url,filename = imgrequest.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" % xpage_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()

GIL全局解释器锁：
Python自带的解释器是CPython。CPython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：

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
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
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作业：

import requests
from lxml import etree
import threading
from queue import Queue
import csvclass 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_queueself.joke_queue = joke_queuedef run(self):while True:if self.page_queue.empty():breakurl = self.page_queue.get()response = requests.get(url, headers=self.headers)text = response.texthtml = 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_queueself.writer = writerself.lock = gLockdef run(self):while True:try:joke_info = self.joke_queue.get(timeout=40)joke,link = joke_infoself.lock.acquire()self.writer.writerow((joke,link))self.lock.release()print('保存一条')except:breakdef 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' % xpage_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()

2019.1.12日 PYTHON多线程爬虫笔记相关推荐

python多线程爬虫实例-Python多线程爬虫简单示例
python是支持多线程的,主要是通过thread和threading这两个模块来实现的.thread模块是比较底层的模块,threading模块是对thread做了一些包装的,可以更加方便的使用. ...
Python 网络爬虫笔记1 -- Requests库
Python 网络爬虫笔记1 – Requests库 Python 网络爬虫系列笔记是笔者在学习嵩天老师的<Python网络爬虫与信息提取>课程及笔者实践网络爬虫的笔记. 课程链接:Pyt ...
python多线程爬虫实例-Python实现多线程爬虫
编辑推荐: 本文主要介绍对Python多线程爬虫实战的整体的思路,希望对大家有帮助. 本文来知乎,由火龙果软件Alice编辑,推荐. 最近在写爬虫程序爬取亚马逊上的评论信息,因此也自学了很多爬虫相关的 ...
2021-03-10 Python多线程爬虫快速批量下载图片
Python多线程爬虫快速批量下载图片 1.完成这个需要导入的模块 urllib,random,queue(队列),threading,time,os,json 第三方模块的安装键盘win+R,输入 ...
Python 网络爬虫笔记11 -- Scrapy 实战
Python 网络爬虫笔记11 – Scrapy 实战 Python 网络爬虫系列笔记是笔者在学习嵩天老师的<Python网络爬虫与信息提取>课程及笔者实践网络爬虫的笔记. 课程链接:Py ...
Python 网络爬虫笔记10 -- Scrapy 使用入门
Python 网络爬虫笔记10 – Scrapy 使用入门 Python 网络爬虫系列笔记是笔者在学习嵩天老师的<Python网络爬虫与信息提取>课程及笔者实践网络爬虫的笔记. 课程链接: ...
Python 网络爬虫笔记9 -- Scrapy爬虫框架
Python 网络爬虫笔记9 – Scrapy爬虫框架 Python 网络爬虫系列笔记是笔者在学习嵩天老师的<Python网络爬虫与信息提取>课程及笔者实践网络爬虫的笔记. 课程链接:Py ...
Python 网络爬虫笔记8 -- 股票数据定向爬虫
Python 网络爬虫笔记8 – 股票数据定向爬虫 Python 网络爬虫系列笔记是笔者在学习嵩天老师的<Python网络爬虫与信息提取>课程及笔者实践网络爬虫的笔记. 课程链接:Pyth ...
Python 网络爬虫笔记6 -- 正则表达式
Python 网络爬虫笔记6 – 正则表达式 Python 网络爬虫系列笔记是笔者在学习嵩天老师的<Python网络爬虫与信息提取>课程及笔者实践网络爬虫的笔记. 课程链接:Python网 ...

2019.1.12日 PYTHON多线程爬虫笔记