爬虫进阶之多线程爬虫

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。

1、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()

2、查看线程数：

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

3、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。

4、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 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()

5、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()

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。

6、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()

7、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()

8、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 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()

9、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。

10、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()

11、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。

12、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 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()