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。

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：

 

#相当于coding和drawing同时执行
import threading
import time
def coding():
    for x in range(3):
        print("正在写代码%s"%x)
        time.sleep(1)
def drawing():
    for x in range(3):
        print("正在画图%s"%x)
        time.sleep(1)

def main():
    t1=threading.Thread(target=coding)
    t2=threading.Thread(target=drawing)
    t1.start()
    t2.start()

if __name__ == "__main__":
    main()

查看线程数：

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

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。

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()

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：

# 正确结果本来应该是1000000，2000000
# 结果可能是错的，因为两个线程可能在某次同时执行+1的代码，造成结果错误
import threading
value=0
def add_value():
    #全局变量
    global value
    for x in range(1000000):
        value+=1
    print('value:%d'%value)
def main():
    for x in range(2):
        t=threading.Thread(target=add_value())
        t.start()

if __name__=='__main__':
    main()

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():
    #全局变量
    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()

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()
gTotalTimes=10
gTimes=0

class Producer(threading.Thread):
    def run(self):
        global gmoney
        global gTimes
        while True:
            money=random.randint(100,1000)
            gLock.acquire()
            if gTimes>=10:
                gLock.release()
                break
            gmoney+=money
            print("%s生产了%d元钱，剩余%d元钱"%(threading.current_thread(),
                  money,gmoney))
            gTimes+=1
            gLock.release()
            time.sleep(0.5)


class Consumer(threading.Thread):
    def run(self):
        global gmoney
        while True:
            money=random.randint(100,1000)
            gLock.acquire()
            if gmoney>=money:
                gmoney-=money
                print("%s消费了%d元钱，剩余%d元钱"%(threading.current_thread(),
                      money,gmoney))
            else:
                if gTimes>=gTotalTimes:
                    gLock.release()
                    break
                print("%s消费者准备消费%d元钱，剩余%d元钱,不足！"%(threading.current_thread(),gmoney,money))
            gLock.release()
            time.sleep(0.5)


def main():
    for x in range(3):
        t=Consumer(name="消费者线程%d"%x)
        t.start()
    for x in range(3):
        t=Producer(name="生产者线程%d"%x)
        t.start()
if __name__=='__main__':
    main()

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：

1.acquire：上锁。

2.release：解锁。

3.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。

4.notify：通知某个正在等待的线程，默认是第1个等待的线程。

5.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()
gTotalTimes=10
gTimes=0

class Producer(threading.Thread):
    def run(self):
        global gmoney
        global gTimes
        while True:
            money=random.randint(100,1000)
            gCondition.acquire()
            if gTimes>=10:
                gCondition.release()
                break
            gmoney+=money
            print("%s生产了%d元钱，剩余%d元钱"%(threading.current_thread(),
                  money,gmoney))
            gTimes+=1
            gCondition.notify_all()
            gCondition.release()
            time.sleep(0.5)


class Consumer(threading.Thread):
    def run(self):
        global gmoney
        while True:
            money=random.randint(100,1000)
            gCondition.acquire()
            while gmoney<money:
                if gTimes>=gTotalTimes:
                    gCondition.release()
                    return
                print("%s准备消费%d元钱，还剩%d元钱，不足"%(threading.current_thread(),money,gmoney))
                gCondition.wait()
            gmoney-=money
            print("%s消费了%d元钱，还剩%d元钱"%(threading.current_thread(),money,gmoney))
            gCondition.release()
            time.sleep(0.5)

def main():
    for x in range(3):
        t=Consumer(name="消费者线程%d"%x)
        t.start()
    for x in range(3):
        t=Producer(name="生产者线程%d"%x)
        t.start()
if __name__=='__main__':
    main()

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：

1.初始化Queue(maxsize)：创建一个先进先出的队列。

2.qsize()：返回队列的大小。

3.empty()：判断队列是否为空。

4.full()：判断队列是否满了。

5.get()：从队列中取最后一个数据。

put()：将一个数据放到队列中。