逆向爬虫08 并发异步编程

我将引用我最喜欢的路飞学城林海峰Egon老师的讲课方式来复习这一节的内容。

1. 什么是并发异步编程？

这一部分的内容来源于计算机操作系统，如果想要详细了解并发异步等概念，最好去学一下操作系统这门课程，这里只是复习，总结和分享一下我所学到的内容。

要解释清楚并发异步编程，需要先弄明白如下这些词语的意思，如：并行，并发，同步，异步，阻塞，非阻塞。

并行：多个任务同时进行，可以理解为鸣人学习螺旋丸，多重影分身之后，所有的分身同时一起搓丸子，即真正意义上的同时进行。

并发：多个任务快速轮流切换运行，可以理解为时间管理大师，同时交往多个异性，但时间上并不冲突，通过快速切换来实现宏观意义上的同时进行。

同步：传统的任务都是同步的，意思就是所有任务整齐划一地排好队，一个挨着一个进入到CPU运行，只有上一个任务完成后，才能执行下一个任务。

异步：与同步相对，多个任务可以同时进行，异步的方式可以是并行，也可以是并发，只要宏观意义上是同时进行，就属于异步。

阻塞：当需要执行一个包含IO操作的任务时，操作系统会阻塞该任务，等IO操作完成后，再来继续执行该任务，阻塞的意思就是操作系统剥夺该任务的CPU使用权，将CPU分配给其他任务。

非阻塞：与阻塞相对，操作系统不会剥夺该任务的CPU使用权，如果执行IO操作时，IO已经准备好，则非阻塞任务执行成功，如果IO没有准备好，则直接告诉调用方执行失败。

知道了这些概念之后，应该就知道什么是并发异步编程了吧？指的就是微观上地多个任务快速切换，宏观上多个任务同时进行的一种编程方式，可以让程序的运行效率提高N倍。扯了这么多概念，对于非科班的小白来说，应该还是很难快速接受和掌握，下面我就再祭出经典的冯诺依曼体系结构图来说明一下，何为并发异步编程(其实我也是非科班的野路子，嘿嘿)。

上图就是冯诺依曼体系结构图，它告诉我们计算机分为五个部分，运算器，控制器，存储器，输入设备，输出设备。传统的同步编程中，当程序进入到IO操作时，操作系统为了提高硬件的使用效率，会阻塞进入IO的程序，将CPU分配给其他就绪的程序。任何一个程序，都需要通过输入设备，将数据输入到存储器中，由运算器来计算这些输入的数据，最后再通过输出设备输出计算结果，整个过程由控制器控制。通过上图可知，IO操作由输入和输出设备完成，计算由运算器完成，因此理论上这三个部分是可以同时工作的，有些程序过于简单，三个部分只能挨个进行。但如果一个程序中包含多个任务，且每个任务都包含一定的IO和计算操作，则可以通过合理地分配三者，达到同时运行的效果，最终从宏观上表现为好多好多任务同时进行的样子，这个合理分配的操作，也就是并发异步编程。

其实除了上述概念，如进程，线程，协程，这些概念其实都已经被人讲烂了，比如进程是操作系统资源分配的最小单位；线程是操作系统任务调度的最小单位；协程是单线程下，不涉及操作系统，通过软件自行调度的任务，由于不涉及到操作系统，因此速度比线程调度更快。这里我通过实验，来加强对进程概念的理解。平时我们都听说过2核4线程，4核8线程的CPU，CPU的核数表示可真正意义并行运行的任务数量。一般我们写的python程序只有一个进程，这个进程会被分配一个CPU的核，这也就是进程是资源分配的最小单位。我的电脑是8核的，因此每个核占12.5%的CPU效能，平时通过任务管理器查看CPU的使用率是1%，当我写一个python程序进行死循环做计算时，由于没有IO操作，操作系统就会分配一个核来全力支持它，不进行阻塞和切换，此时再观察任务管理器，就可以看到1%+12.5%≈14%左右。因此如果我们再开7个子进程，来执行相同计算操作的话，系统就会额外再分配7个核来支持，8核CPU就被分配完了，电脑会十分的卡顿，大家可以自行做这个实验，来对CPU和进程有更多的了解。关于线程，协程的实验，可以自行探索，如果发现合适且有趣的实验可以告诉我。

i = 0
while True:i += 1

2. 为什么要并发异步编程，什么时候适合并发编程？

那还用说，当然是速度快啊，那什么情况下适合通过并发异步编程来提高程序速度呢？通过前面的描述可知，并发异步编程就是合理分配不同的任务给输入输出设备和运算器，使这些设备可以分别为运行在不同阶段的任务服务，三者同时为一个程序进行服务，该程序的效率就会被提升。因此当一个程序的任务中包含很多离散的IO和计算操作时，就很适合并发异步编程，比如爬虫的多URL的网络请求，多文件的读写操作等。

3. 如何并发异步编程？

分为三种，1. 线程 2. 进程 3.协程，这里先复习线程和进程，协程后面再复习。

多线程写法一

"""1. 创建任务2. 实例化线程对象3. 启动任务
"""
from threading import Thread# 创建任务
def func(name):for i in range(100):print(f"{i}. My name is {name}")if __name__ == "__main__":# 实例化线程对象t1 = Thread(target=func, args=("JayChou",))t2 = Thread(target=func, args=("Apphao",))# 启动任务t1.start()t2.start()

多线程写法二

"""1. 自定义类继承Thread2. 通过__init__函数传参3. 重写run方法
"""
from threading import Thread# 自定义类继承Thread
class MyThread(Thread):# 通过__init__函数传参def __init__(self, name):# 初始化时必须先调父类的初始化函数super(MyThread, self).__init__()self.name = name# 重写run方法def run(self):for i in range(100):print(f"{i}. My name is {self.name}")if __name__ == "__main__":t1 = MyThread("JayChou")t2 = MyThread("Apphao")t1.start()t2.start()

线程池

线程池的好处是保护系统，防止程序无限制的开设线程，而导致资硬件源耗尽。

线程池的基本用法

"""1. 定义任务2. 开启线程池3. 提交任务
"""
from concurrent.futures import ThreadPoolExecutor# 定义任务
def func(name):for i in range(10):print(f"{i}. My name is {name}")if __name__ == "__main__":# 开启线程池with ThreadPoolExecutor(10) as t:for i in range(100):# 提交任务t.submit(func, f"JayChou {i}")

可以获得线程执行结果的写法

"""1. 定义任务2. 开启线程池3. 提交任务并添加回调函数4. 定义回调函数
"""
from concurrent.futures import ThreadPoolExecutor
import time# 定义任务
def func(name, t):print(f"My name is {name}")time.sleep(t)return name# 定义回调函数
def fn(res):print(res.result())if __name__ == "__main__":# 开启线程池with ThreadPoolExecutor(3) as t:# 提交任务并添加回调函数t.submit(func, "JayChou", 2).add_done_callback(fn)t.submit(func, "Egon", 3).add_done_callback(fn)t.submit(func, "Apphao", 1).add_done_callback(fn)

add_done_callback()指定的回调函数在线程执行完成后会立即执行，由于每个线程的执行时间是不确定的，因此回调函数的执行顺序也是不确定的，返回值的顺序时不确定的，如果想要返回值顺序确定，则改用下面写法。

"""1. 定义任务2. 开启线程池3. 通过map提交任务，并接受map的返回值4. for循环获取map的返回值
"""
from concurrent.futures import ThreadPoolExecutor
import time# 定义任务
def func(name, t):print(f"My name is {name}")time.sleep(t)return nameif __name__ == "__main__":# 开启线程池with ThreadPoolExecutor(3) as t:result = t.map(func, ["JayChou", "Egon", "Apphao"], [2, 3, 1])# map的返回值时生成器，通过for循环取出里面的内容for r in result:print(r)

多进程写法一：和多线程几乎一摸一样

"""1. 创建任务2. 实例化进程对象3. 启动任务
"""
from multiprocessing import Process# 创建任务
def func(name):for i in range(100):print(f"{i}. My name is {name}")if __name__ == "__main__":# 实例化进程对象p1 = Process(target=func, args=("JayChou",))p2 = Process(target=func, args=("Apphao",))# 启动任务p1.start()p2.start()

多进程写法二：和多线程几乎一摸一样

"""1. 自定义类继承Process2. 通过__init__函数传参3. 重写run方法
"""
from multiprocessing import Process# 自定义类继承Process
class MyProcess(Process):# 通过__init__函数传参def __init__(self, name):# 初始化时必须先调父类的初始化函数super(MyProcess, self).__init__()self.name = name# 重写run方法def run(self):for i in range(100):print(f"{i}. My name is {self.name}")if __name__ == "__main__":p1 = MyProcess("JayChou")p2 = MyProcess("Apphao")p1.start()p2.start()

进程池

进程池的基本用法，和线程池几乎一模一样

"""1. 定义任务2. 开启进程池3. 提交任务
"""
from concurrent.futures import ProcessPoolExecutor# 定义任务
def func(name):for i in range(10):print(f"{i}. My name is {name}")if __name__ == "__main__":# 开启进程池with ProcessPoolExecutor(10) as t:for i in range(100):# 提交任务t.submit(func, f"JayChou {i}")

获取进程的返回值，和线程池几乎一模一样

"""1. 定义任务2. 开启进程池3. 提交任务并添加回调函数4. 定义回调函数
"""
from concurrent.futures import ProcessPoolExecutor
import time# 定义任务
def func(name, t):print(f"My name is {name}")time.sleep(t)return name# 定义回调函数
def fn(res):print(res.result())if __name__ == "__main__":# 开启进程池with ProcessPoolExecutor(3) as t:# 提交任务并添加回调函数t.submit(func, "JayChou", 2).add_done_callback(fn)t.submit(func, "Egon", 3).add_done_callback(fn)t.submit(func, "Apphao", 1).add_done_callback(fn)

有序地获得进程池中返回值，和线程池几乎一模一样

"""1. 定义任务2. 开启进程池3. 通过map提交任务，并接受map的返回值4. for循环获取map的返回值
"""
from concurrent.futures import ProcessPoolExecutor
import time# 定义任务
def func(name, t):print(f"My name is {name}")time.sleep(t)return nameif __name__ == "__main__":# 开启进程池with ProcessPoolExecutor(3) as t:result = t.map(func, ["JayChou", "Egon", "Apphao"], [2, 3, 1])# map的返回值时生成器，通过for循环取出里面的内容for r in result:print(r)

何时使用多线程，何时使用多进程？

1. 多线程：任务相对统一，互相特别相似

2. 多进程：多个任务相互独立，很少有交集