多线程爬虫

一、多线程介绍：

二、threading模块介绍：

1、查看线程数：

2、查看当前线程的名字：

3、继承自threading.Thread类：

4、多线程共享全局变量的问题：

5、锁机制：

三、Lock版本生产者和消费者模式：

四、Condition版的生产者与消费者模式：

五、Queue线程安全队列：

六、使用生产者与消费者模式多线程下载表情包：

单线程版本

多线程版本

协程版本

七、GIL全局解释器锁：

八、多线程下载百思不得姐段子作业：

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。

一、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

二、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()

1、查看线程数：

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

2、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。

3、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()

4、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。

5、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()

三、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 time
import randomgMoney = 1000
gTotalTime = 10
gTime = 0
gLock = threading.Lock()class Producer(threading.Thread):def run(self):while True:global gTimeglobal gMoneymoney = random.randint(100,1000)gLock.acquire()if gTime < gTotalTime:gMoney += moneyprint("{}挣了{}元，现在总共有{}元".format(threading.currentThread(), money, gMoney))gTime += 1gLock.release()time.sleep(0.5)else:gLock.release()breakclass Consumer(threading.Thread):def run(self):while True:global gMoneymoney = random.randint(100, 1000)if gTime >= gTotalTime:breakgLock.acquire()if money > gMoney:print("{}想消费{}元，现在只有{}元,消费失败".format(threading.currentThread(), money, gMoney))else:gMoney -= moneyprint("{}消费{}元，现在剩余{}元".format(threading.currentThread(), money, gMoney))time.sleep(0.5)gLock.release()def main():for i in range(3):consumer = Consumer(name="消费者{}".format(i))consumer.start()for i in range(5):producer = Producer(name="生产者{}".format(i))producer.start()if __name__ == '__main__':main()

四、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 time
import randomgMoney = 1000
gTotalTime = 10
gTime = 0
gCondition = threading.Condition()class Producer(threading.Thread):def run(self):while True:global gTimeglobal gMoneymoney = random.randint(100,1000)gCondition.acquire()  # 获取锁if gTime >= gTotalTime:print("{}挣不动了 ".format(threading.currentThread()))gCondition.release()breakgMoney += moneyprint("{}挣了{}元，现在总共有{}元".format(threading.currentThread(), money, gMoney))gTime += 1gCondition.notify()  # 通知多少个等待的线程，默认1# gCondition.notify_all()  # 通知所有在等待的线程，重新竞争锁gCondition.release()  # 释放锁time.sleep(0.5)class Consumer(threading.Thread):def run(self):while True:global gMoneymoney = random.randint(100, 1000)gCondition.acquire()  # 获取锁while money > gMoney:  # 获得锁，但是钱不够消费，继续等待if gTime >= gTotalTime and money > gMoney:print("没人挣钱，钱不够，{} 走了".format(threading.currentThread()))gCondition.release()return  # 退出执行方法print("{}想消费{}元，现在只有{}元， 余额不足".format(threading.currentThread(), money, gMoney))gCondition.wait()  # 不断等待，直到获得锁并余额满足消费gMoney -= moneyprint("{}消费{}元，现在剩余{}元".format(threading.currentThread(), money, gMoney))gCondition.release()time.sleep(0.5)def main():for i in range(3):consumer = Consumer(name="消费者{}".format(i))consumer.start()for i in range(5):producer = Producer(name="生产者{}".format(i))producer.start()if __name__ == '__main__':main()

五、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(block=True)：从队列中取最后一个数据。True:如果队列为空，阻塞等待
put(block=True)：将一个数据放到队列中。True:如果队列满了，阻塞等待

六、使用生产者与消费者模式多线程下载表情包：

单线程版本

import requests, os, re, time
from urllib import request
from lxml import etreedef parse_page(url):# 封装请求头headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.77 Safari/537.36"}response = requests.get(url, headers=headers)# 根据网站的编码格式对内容解码text = response.content.decode("utf-8")html = etree.HTML(text)  # 解析页面内容# 通过xpath 找到指定 img 标签imgs = html.xpath("//div[@class='page-content text-center']//img[@class!='gif']")for img in imgs:img_url = img.get("data-original")  # 获取属性alt = img.get("alt")  # 图片中文名alt = re.sub(r'[\?？，。！!\.\*/\|]', "", alt)  # 替换掉不合法的文件名标识suffix = os.path.splitext(img_url)[1]  # 获取后缀filename = os.path.basename(img_url)  # 获取文件名if alt:  # 如果中文属性为空，文件名用原来的filename = alt + suffixprint("下载图片：{}".format(filename))request.urlretrieve(img_url, "images/" + filename)def main():#  下载斗图啦网站前5页最新表情中的图片for i in range(1, 6):url = "https://www.doutula.com/photo/list/?page={}".format(i)parse_page(url)if __name__ == '__main__':start_time = time.time()main()end_time = time.time()print("花费时间：{}".format(end_time - start_time))  # 75s

多线程版本

import requests, os, re, time, threading, queue
from urllib import request
from lxml import etreeclass Producer(threading.Thread):# 封装请求头headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.77 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():  # 如果队列为空，解析结束print("解析完成页面， {} 退出".format(threading.currentThread()))breakurl = self.page_queue.get()  # 获取页面urlself.parse_page(url)  # 解析页面def parse_page(self, url):response = requests.get(url, headers=self.headers)# 根据网站的编码格式对内容解码text = response.content.decode("utf-8")html = etree.HTML(text)  # 解析页面内容# 通过xpath 找到指定 img 标签imgs = html.xpath("//div[@class='page-content text-center']//img[@class!='gif']")for img in imgs:img_url = img.get("data-original")  # 获取属性alt = img.get("alt")  # 图片中文名alt = re.sub(r'[\?？，。！!\.\*/]', "", alt)  # 替换掉不合法的文件名标识suffix = os.path.splitext(img_url)[1]  # 获取后缀filename = os.path.basename(img_url)  # 获取文件名if alt:  # 如果中文属性为空，文件名用原来的filename = alt + suffix# print("下载图片：{}".format(filename))self.img_queue.put((img_url, "images/" + filename))  # 保存需要下载的图片数据到队列# request.urlretrieve(img_url, "images/" + filename)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.page_queue.empty() and self.img_queue.empty():print("下载完成，{} 退出".format(threading.currentThread()))breakimg_url, filename = self.img_queue.get()request.urlretrieve(img_url, filename)print("下载完图片： {}".format(filename))thread_list = []def main():page_queue = queue.Queue(100)img_queue = queue.Queue(1000)#  下载斗图啦网站前5页最新表情中的图片for i in range(1, 6):url = "https://www.doutula.com/photo/list/?page={}".format(i)page_queue.put(url)# 启动 解析页面进程for i in range(3):p = Producer(page_queue, img_queue)p.start()thread_list.append(p)# 启动 下载图片进程for i in range(5):c = Consumer(page_queue, img_queue)c.start()thread_list.append(c)if __name__ == '__main__':start_time = time.time()main()for t in thread_list:  # 阻塞主线程，计算总共时间t.join()end_time = time.time()print("花费时间：{}".format(end_time - start_time))  # 17s

协程版本

下面下载分两步：第一步先下载解析页面获取需要下载图片的url；第二步通过gevent 实现一个进程下单线程协程下载图片。因为下载图片是IO 操作，gevent 自动给我进行处理，下载同样图片，多线程大概17s,下面的协程实现大概14~15s,比多线程节省时间，因为线程不断切换需要花费时间。该方法在这个场景效率最高。

from gevent import monkey; monkey.patch_all()  # 必须在首行
import requests, os, re, time, gevent
from urllib import request
from lxml import etreedef parse_page(url):url_list = []# 封装请求头headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.77 Safari/537.36"}response = requests.get(url, headers=headers)# 根据网站的编码格式对内容解码text = response.content.decode("utf-8")html = etree.HTML(text)  # 解析页面内容# 通过xpath 找到指定 img 标签imgs = html.xpath("//div[@class='page-content text-center']//img[@class!='gif']")for img in imgs:img_url = img.get("data-original")  # 获取属性alt = img.get("alt")  # 图片中文名alt = re.sub(r'[\?？，。！!\.\*/\|]', "", alt)  # 替换掉不合法的文件名标识suffix = os.path.splitext(img_url)[1]  # 获取后缀filename = os.path.basename(img_url)  # 获取文件名if alt:  # 如果中文属性为空，文件名用原来的filename = alt + suffix# print("下载图片：{}".format(filename))# request.urlretrieve(img_url, "images/" + filename)url_list.append((img_url, "images/" + filename))return url_listdef download_img(url, filename):print("开始下载图片：{}".format(filename))request.urlretrieve(url, filename)def main():#  下载斗图啦网站前5页最新表情中的图片all_url_list = []for i in range(1, 6):url = "https://www.doutula.com/photo/list/?page={}".format(i)urls = parse_page(url)# print(urls)all_url_list.extend(urls)# 使用 gevent 模块实现协程，下载图片print("解析完成，开始下载")list1 = []for url, filename in all_url_list:list1.append(gevent.spawn(download_img, url, filename))gevent.joinall(list1)if __name__ == '__main__':start_time = time.time()main()end_time = time.time()print("花费时间：{}".format(end_time - start_time))  # 14.8

七、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。

八、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()

python_爬虫 12 多线程爬虫相关推荐

线程学习基础（1）：单线程爬虫和多线程爬虫的效率比照
线程学习基础:单线程爬虫和多线程爬虫的效率比照 1. 并发线程的需求 2. 线程提速方法 3. 如何选择并发编程的三种方式 3.1 什么是CPU密集型计算.IO密集型计算? 3.1.1 CPU密集型( ...
Python爬虫——Python多线程爬虫详解
网络爬虫程序是一种 IO 密集型程序,程序中涉及了很多网络 IO 以及本地磁盘 IO 操作,这些都会消耗大量的时间,从而降低程序的执行效率,而 Python 提供的多线程能够在一定程度上提升 IO 密 ...
java多线程爬虫_Java 多线程爬虫及分布式爬虫架构
在这个时间就是金钱的年代,不可能给你时间去慢慢的采集,所以单线程爬虫程序是行不通的,我们需要将单线程改成多线程的模式,来提升采集效率和提高计算机利用率.维护待采集的 URL多线程爬虫程序就不能像单线程 ...
python多线程爬虫框架_普通爬虫vs多线程爬虫vs框架爬虫，Python爬对比
前言本文的文字及图片过滤网络,可以学习,交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理. 基本开发环境 Python 3.6 皮查姆目标网页分析网站就选择发表情这个网站吧网站是静 ...
数据分析与爬虫实战视频——学习笔记（二）（千图网图片爬虫、fiddler抓包分析、腾讯视频评论爬虫、多线程爬虫（糗百））
网址:[数据挖掘]2019年最新python3 数据分析与数据爬虫实战 https://www.bilibili.com/video/av22571713/?p=26 第三周第二节课 1抓包分析实战 ...
python3多线程异步爬虫_python 多线程爬虫问题
practicer 2016-06-14 12:42:08 +08:00 @alexapollo @YUX @likuku @geek123 @EchoUtopia @Jblue 最后我放弃用多线程| ...
4.1-python爬虫之多线程爬虫
系列文章目录 python爬虫目录文章目录系列文章目录前言一.多线程介绍二.threading模块介绍 1.查看线程数 2.查看当前线程的名字 3.继承自threading.Thread类 ...
Python3 单线程爬虫和多线程爬虫下载某站古风头像，短短几分钟就3000多张
大家好我是宋哈哈,今天也是偶然和一位同事聊起关于爬虫的事情,然后发了我一个代码,是爬去古风头像的一个爬虫代码.他的爬虫代码是用在教学生用的,只是简单的爬取了当前页的古风头像,我接到接手后,我想在基础上 ...
R语言RCurl爬虫（多线程爬虫）-高评分豆瓣图书
R语言爬虫-高评分图书(豆瓣) # R语言爬虫-高评分图书(豆瓣) 本篇文章依然延续之前的爬虫类型文章,多次实操有助于对于代码的理解和技术的提升.此次爬取的是豆瓣上高评分的图书,每一次爬取都会给大家提 ...

python_爬虫 12 多线程爬虫

多线程爬虫

一、多线程介绍：

二、threading模块介绍：

1、查看线程数：

2、查看当前线程的名字：

3、继承自`threading.Thread`类：

4、多线程共享全局变量的问题：

5、锁机制：

三、Lock版本生产者和消费者模式：

四、Condition版的生产者与消费者模式：

五、Queue线程安全队列：

六、使用生产者与消费者模式多线程下载表情包：

单线程版本

多线程版本

协程版本

七、GIL全局解释器锁：

八、多线程下载百思不得姐段子作业：

python_爬虫 12 多线程爬虫相关推荐

最新文章

热门文章

python_爬虫 12 多线程爬虫

多线程爬虫

一、多线程介绍：

二、threading模块介绍：

1、查看线程数：

2、查看当前线程的名字：

3、继承自threading.Thread类：

4、多线程共享全局变量的问题：

5、锁机制：

三、Lock版本生产者和消费者模式：

四、Condition版的生产者与消费者模式：

五、Queue线程安全队列：

六、使用生产者与消费者模式 多线程 下载表情包：

单线程版本

多线程版本

协程版本

七、GIL全局解释器锁：

八、多线程下载百思不得姐段子作业：

python_爬虫 12 多线程爬虫相关推荐

最新文章

热门文章

3、继承自`threading.Thread`类：

六、使用生产者与消费者模式多线程下载表情包：