python爬虫：多线程的简单示例与应用

前言

Python的标准库提供了两个模块：_thread和threading，_thread是低级模块，threading是高级模块，对_thread进行了封装。绝大多数情况下，我们只需要使用threading这个高级模块。
启动一个线程就是把一个函数传入并创建Thread实例，然后调用start()开始执行。
虽然python的多线程受GIL限制，并不是真正的多线程，但是对于I/O密集型计算还是能明显提高效率，比如说爬虫。详细请见 https://www.zhihu.com/question/23474039

实例

下面用一个实例来验证多线程的效率。代码只涉及页面获取，并没有解析出来。

# -*-coding:utf-8 -*-
import requests, time
import threading

class MyThread(threading.Thread):
    def __init__(self, func, args):
        threading.Thread.__init__(self)  # 调用父类的构造函数
        self.args = args
        self.func = func
    def run(self):  # 线程活动方法
        self.func(self.args[0])  # 启动这个函数args是元组，取出url

def open_url(url):
    response = requests.get(url).text
    print(len(response))
    return response

def nomal_method(urlList):
    # 一般方式
    n_start = time.time()
    for each in urlList:
        open_url(each)
    n_end = time.time()
    print('the normal way take %s s' % (n_end - n_start))

def threadWay(urlList):
    # 多线程
    t_start = time.time()
    threadList = [MyThread(open_url,(url,)) for url in urlList]  # 调用线程类创建新线程，返回线程列表
    for t in threadList:
        t.setDaemon(True)  # 设置守护线程，父线程会等待子线程执行完后再退出
        t.start()  # 线程开启
    for i in threadList:
        i.join()  # 等待线程终止，等子线程执行完后再执行父线程
    t_end = time.time()
    print('the thread way take %s s' % (t_end - t_start))

if __name__ == '__main__':
    # 构造url列表
    urlList = []
    for p in range(1, 10):
        urlList.append('https://so.gushiwen.org/authors/authorvsw.aspx?page='+str(p)+'&id=9cb3b7c0e4a0')
    nomal_method(urlList)
    threadWay(urlList)

分别用两种方式获取10个访问速度比较慢的网页，一般方式耗时1.8s，多线程耗时0.2s。

多线程简介

多线程举的例子，最对的可能就是消费者、生产者的例子了（不知道的可以去百度），下面介绍两种多线程的方式，即创建线程、传递函数（面向过程）和面向对象。
本人对多线程做了简单阐述，请点击跳转

面向过程的多线程爬虫模板

（因为面向对象的我在上面写过了。。。）

思路

得到urlList，然后根据每个url创建一个线程，然后for循环启动再for循环join

代码

# -*-coding:utf-8 -*-
import requests, time
import threading

def open_url(url):
    response = requests.get(url).text
    print(len(response))
    return response

def doSpyder(urlList):
    # 多线程
    t_start = time.time()
    threadList = [threading.Thread(target=open_url,args=(url,)) for url in urlList]  # 调用线程类创建新线程，返回线程列表
    for t in threadList:
        t.setDaemon(True)  # 设置守护线程，父线程会等待子线程执行完后再退出
        t.start()  # 线程开启
    for i in threadList:
        i.join()  # 等待线程终止，等子线程执行完后再执行父线程
    t_end = time.time()
    print('the thread way take %s s' % (t_end - t_start))

if __name__ == '__main__':
    # 构造url列表
    urlList = []
    for p in range(1, 10):
        urlList.append('https://so.gushiwen.org/authors/authorvsw.aspx?page='+str(p)+'&id=9cb3b7c0e4a0')
    doSpyder(urlList)

一个误区

注意：创建多线程的时候应该每个网页都创建一个线程，不能直接使用创建好的线程对列表进行访问爬取，否则会得到重复数据，即脏数据！！！（因为list是非线程安全的数据结构，就是同一秒可能有两个线程同时访问到了列表的第一个元素）
可以参看点击跳转的脏数据部分
注意啊，不要使用锁来处理，那样多线程可能就变单线程了，，，，