数据的提取方法 - 2 - 多线程和多进程

1 学习目标

多线程和多进程爬虫的学习

2 更快的爬虫实现

2.1 爬取糗事百科段子

页面的URL是：http://www.qiushibaike.com/8hr/page/1

思路分析：

1. 确定url地址

   url地址的规律非常明显，一共只有13页url地址

   

2. 确定数据的位置

   数据都在id='content-left'的div下的div中，在这个区域，url地址对应的响应和elements相同

   

2.2 上述代码改写成多线程方式实现

2.2.1 回顾多线程的方法使用

在python3中，主线程主进程结束，子线程，子进程不会结束

为了能够让主线程回收子线程，可以把子线程设置为守护线程，即该线程不重要，主线程结束，子线程结束

t1 = threading.Thread(targe=func,args=(,))
t1.setDaemon(True)
t1.start() #此时线程才会启动

2.2.2 回顾队列模块的使用

from queue import Queue
q = Queue(maxsize=100)
item = {}
q.put_nowait(item) #不等待直接放，队列满的时候会报错
q.put(item) #放入数据，队列满的时候回等待
q.get_nowait() #不等待直接取，队列空的时候会报错
q.get() #取出数据，队列为空的时候会等待
q.qsize() #获取队列中现存数据的个数 
q.join() #队列中维持了一个计数，计数不为0时候让主线程阻塞等待，队列计数为0的时候才会继续往后执行
q.task_done() 
# put的时候计数+1，get不会-1，get需要和task_done 一起使用才会-1

2.2.3 多线程实现思路剖析

1. 把爬虫中的每个步骤封装成函数，分别用线程去执行
2. 不同的函数通过队列相互通信，函数间解耦

代码详见：https://blog.csdn.net/apollo_miracle/article/details/84980092

2.3 将上述代码改写成多进程方式实现

2.3.1 回顾多进程程的方法使用

from multiprocessing import Process
t1 = Process(targe=func,args=(,))
t1.daemon = True  #设置为守护进程
t1.start() #此时线程才会启动

2.3.2 多进程中队列的使用

多进程中使用普通的队列模块会发生阻塞，对应的需要使用multiprocessing提供的JoinableQueue模块，其使用过程和在线程中使用的queue方法相同

代码详见：https://blog.csdn.net/apollo_miracle/article/details/84980092

3 通过线程池实现的爬虫

3.1 线程池使用方法介绍

1. 实例化线程池对象

    from multiprocessing.dummy import Pool
    pool = Pool(process=5) #默认大小是cup的个数
   

2. 把从发送请求，提取数据，到保存合并成一个函数，交给线程池异步执行

   使用方法pool.apply_async(func)

    def exetute_requests_item_save(self):
        url = self.queue.get()
        html_str = self.parse_url(url)
        content_list = self.get_content_list(html_str)
        self.save_content_list(content_list)
        self.total_response_num +=1
   
    pool.apply_async(self.exetute_requests_item_save)
   

3. 添加回调函数

   通过apply_async的方法能够让函数异步执行，但是只能够执行一次

   为了让其能够被反复执行，通过添加回调函数的方式能够让_callback 递归的调用自己

   同时需要指定递归退出的条件

    def _callback(self,temp):
        if self.is_running:
             pool.apply_async(self.exetute_requests_item_save,callback=self._callback)
   
    pool.apply_async(self.exetute_requests_item_save,callback=self._callback)
   

4. 确定程序结束的条件 程序在获取的响应和url数量相同的时候可以结束

    while True: #防止主线程结束
        time.sleep(0.0001)  #避免cpu空转，浪费资源
        if self.total_response_num>=self.total_requests_num:
            self.is_running= False
            break
    self.pool.close() #关闭线程池，防止新的线程开启
   # self.pool.join() #等待所有的子线程结束
   

3.2 使用线程池实现爬虫的具体实现

代码详见：https://blog.csdn.net/apollo_miracle/article/details/84980092

4 通过协程池实现的爬虫

4.1 协程池使用方法介绍

1. 实例化协程池对象

   import gevent.monkey
   gevent.monkey.patch_all()  # 打补丁
   
   from gevent.pool import Pool
   pool = Pool(process=5)  # 默认大小是cup的个数
   

2. 其他的与线程池一样，不再赘述

4.2 使用协程池实现爬虫的具体实现

代码详见：https://blog.csdn.net/apollo_miracle/article/details/84980092