【爬虫教程】还不会多线程和线程池？这篇教程直接搞定！

认真写程序的强哥

已于 2024-01-22 10:41:20 修改

阅读量70

点赞数

文章标签：爬虫 java 数据结构开发语言网络爬虫 python 学习

于 2023-10-30 11:58:55 首次发布

本文链接：https://blog.csdn.net/qq_41314882/article/details/134116206

版权

在网络爬虫的世界中，效率是我们永恒的追求。为了在短时间内抓取更多数据，了解并发编程的基础知识至关重要。本文将介绍线程和进程的基本概念，以及为什么我们应该在爬虫中使用线程。

前言

线程和进程

在学习多线程的使用之前，需要先了解线程、进程的概念。

1.1.1 什么是进程

进程是操作系统分配资源和调度的基本单位，它包含了执行程序所需的所有资源。

1.1.2 什么是线程

线程是进程内的执行单位，它共享进程的资源，是实现并发编程的重要元素。

1.1.3 什么是全局解释器锁（GIL）

Python代码的执行由Python虚拟机（解释器主循环）控制。Python在设计之初就考虑到在主循环中只能有一个线程执行，虽然Python解释器中可以“运行”多个线程，但是在任意时刻只有一个线程在解释器中运行。

Python虚拟机的访问由全局解释器锁（Global Interpreter Lock, GIL）控制，这个锁能保证同一时刻只有一个线程运行。

在多线程环境中，Python虚拟机按以下方式执行：

设置GIL。
切换到一个线程运行。
运行指定数量的字节码指令或线程主动让出控制（可以调用time.sleep(0)）。
把线程设置为睡眠状态。
解锁GIL。
再次重复以上所有步骤。

在调用外部代码（如C/C++扩展函数）时，GIL将被锁定，直到这个函数结束为止（由于在此期间没有运行Python的字节码，因此不会做线程切换），编写扩展的程序员可以主动解锁GIL。

1.1.4 什么是多任务

多任务简单来说就是同时进行多项任务。比如一边读文献，一边听音乐，一边转笔，这样你就同时进行着三项任务。

那么单核CPU是如何完成多任务的呢？实际上，单核CPU的操作系统轮流让各个任务交替执行，任务1执行0.01秒，切换到任务2，任务2执行0.01秒，再切换到任务3，执行0.01秒……这样反复执行下去。表面上看，每个任务都是交替执行的，但是，由于CPU的执行速度实在是太快了，我们感觉就像所有任务都在同时执行一样。

真正的并行执行多任务只能在多核CPU上实现，但是，由于任务数量远远多于CPU的核心数量，所以，操作系统也会自动把很多任务轮流调度到每个核心上执行。

注意：

并发：指的是任务数多余cpu核数，通过操作系统的各种任务调度算法，实现用多个任务“一起”执行（实际上总有一些任务不在执行，因为切换任务的速度相当快，看上去一起执行而已）
并行：指的是任务数小于等于cpu核数，即任务真的是一起执行的。

1.1.5 线程和进程的优势与限制对比

线程共享内存空间，创建和切换成本低，但易于产生竞争条件。进程有独立的内存空间，安全但创建和切换成本高。

线程一般是并发执行的。正是由于这种并行和数据共享的机制，使得多个任务的合作变得可能。实际上，在单CPU系统中，真正的并发并不可能，每个线程会被安排成每次只运行一小会儿，然后就把CPU让出来，让其他线程运行。在进程的整个运行过程中，每个线程都只做自己的事，需要时再跟其他线程共享运行结果。多个线程共同访问同一块数据不是完全没有危险的，由于访问数据的顺序不一样，因此有可能导致数据结果不一致的问题，这叫作竞态条件。大多数线程库都带有一系列同步原语，用于控制线程的执行和数据的访问。

多线程的使用

threading 模块的使用

单线程代码示例：

import time  
  
  
def print_hello():  
    print('hello')  
    time.sleep(1)  
  
  
if __name__ == "__main__":  
    for i in range(5):  
        print_hello()

多线程代码示例：

import time  
import threading  
  
  
def print_hello():  
    print('hello')  
    time.sleep(1)  
  
  
if __name__ == "__main__":  
    t = threading.Thread(target=print_hello)  
    t.start()

主线程等待所有子线程结束后退出

import threading  
from time import sleep, ctime  
  
  
def sing():  
    for i in range(3):  
        print(f'正在唱歌: {i}')  
        sleep(1)  
  
def dance():  
    for i in range(3):  
        print(f'正在跳舞: {i}')  
        sleep(1)  
  
if __name__ == "__main__":  
    print(f'程序开始: {ctime()}')  
    t1 = threading.Thread(target=sing)  
    t2 = threading.Thread(target=dance)  
    t1.start()  
    t2.start()  
    # 注释下一行代码查看程序是否立即退出  
    # sleep(5)  
    print(f'程序结束: {ctime()}')

查看线程数量

import threading  
from time import sleep, ctime  
  
  
def sing():  
    for i in range(3):  
        print(f'正在唱歌: {i}')  
        sleep(1)  
  
def dance():  
    for i in range(3):  
        print(f'正在跳舞: {i}')  
        sleep(1)  
  
if __name__ == "__main__":  
    print(f'程序开始: {ctime}')  
    t1 = threading.Thread(target=sing)  
    t2 = threading.Thread(target=dance)  
  
    t1.start()  
    t2.start()  
  
    while True:  
        length = len(threading.enumerate())  
        print(f'当前线程数量: {length}')  
        if length <= 1:  
            break  
        sleep(0.5)

线程执行代码的封装

通过上一小节，能够看出，通过使用threading模块能完成多任务的程序开发，为了让每个线程的封装性更完美，所以使用threading模块时，往往会定义一个新的子类class，只要继承threading.Thread就可以了，然后重写run方法。

示例如下：

import time  
import threading  
  
  
class MyThread(threading.Thread):  
    def run(self):  
        for i in range(3):  
            time.sleep(1)  
            # self.name是threading模块中的一个方法 保存的是当前线程的名称  
            msg = '我是 ' + self.name + ' @ ' + str(i)  
            print(msg)  
  
  
if __name__ == "__main__":  
    t = MyThread()  
    t.start()

说明：python的threading.Thread类有一个run方法，用于定义线程的功能函数，可以在自己的线程类中覆盖该方法。而创建自己的线程实例后，通过Thread类的start方法，可以启动该线程，交给python虚拟机进行调度，当该线程获得执行的机会时，就会调用run方法执行线程。

线程的执行顺序

import time  
import threading  
  
  
class MyThread(threading.Thread):  
    def run(self):  
        for i in range(3):  
            time.sleep(1)  
            msg = '我是 ' + self.name + ' @ ' + str(i)  
            print(msg)  
  
  
def test():  
    for i in range(5):  
        t = MyThread()  
        t.start()  
  
  
if __name__ == "__main__":  
    test()

说明： 从代码和执行结果我们可以看出，多线程程序的执行顺序是不确定的。当执行到sleep语句时，线程将被阻塞（Blocked），到sleep结束后，线程进入就绪（Runnable）状态，等待调度。而线程调度将自行选择一个线程执行。上面的代码中只能保证每个线程都运行完整个run函数，但是线程的启动顺序、run函数中每次循环的执行顺序都不能确定。

总结

每个线程默认有一个名字，尽管上面的例子中没有指定线程对象的name，但是python会自动为线程指定一个名字。
当线程的run()方法结束时该线程完成。
无法控制线程调度程序，但可以通过别的方式来影响线程调度的方式。

多线程 - 共享全局变量

整型类型共享

import time  
import threading  
  
g_num = 100  
  
  
def work_1():  
    global g_num  
    for i in range(3):  
        # 循环相加三次  
        g_num += 1  
    print(f"子线程1中计算得出的值为: {g_num}")  
  
  
def work_2():  
    global g_num  
    print(f'子线程2中获取到的值为: {g_num}')  
  
  
if __name__ == '__main__':  
    # 线程启动之前获取全局变量  
    print(f'子线程未启动之前主线程获取的值为: {g_num}')  
  
    # 创建线程对象  
    t1 = threading.Thread(target=work_1)  
    t1.start()  
  
    # 通过延迟保证t1线程中的事情做完  
    time.sleep(0.1)  
  
    t2 = threading.Thread(target=work_2)  
    t2.start()  
  
    time.sleep(0.1)  
    print(f'主线程最终获取到的值为: {g_num}')

序列类型共享

import time  
import threading  
  
g_nums = [11, 22, 33]  
  
  
def work_1(nums):  
    # 在全局列表中添加一个元素  
    nums.append(44)  
    print(f'子线程1添加完成之后的列表元素为: {nums}')  
  
  
def work_2(nums):  
    print(f'子线程2获取的列表元素为: {nums}')  
  
  
if __name__ == '__main__':  
    t1 = threading.Thread(target=work_1, args=(g_nums,))  
    t1.start()  
    # 确保子线程1完成操作后再执行一下代码  
    time.sleep(0.1)  
    t2 = threading.Thread(target=work_2, args=(g_nums,))  
    t2.start()  
    time.sleep(0.1)  
    print(f'主线程获取到的全局列表元素为: {g_nums}')

总结：

在一个进程内的所有线程共享全局变量，很方便在多个线程间共享数据
缺点就是，线程是对全局变量随意更改可能造成多线程之间对全局变量的混乱（即线程非安全）

多线程开发可能遇到的问题

假设两个线程t1和t2都要对全局变量g_num(默认是0)进行加1运算，t1和t2都各对g_num加10次，g_num的最终的结果应该为20。

但是由于是多线程同时操作，有可能出现下面情况：

在g_num=0时，t1取得g_num=0。此时系统把t1调度为”sleeping”状态，把t2转换为”running”状态，t2也获得g_num=0
然后t2对得到的值进行加1并赋给g_num，使得g_num=1
然后系统又把t2调度为”sleeping”，把t1转为”running”。线程t1又把它之前得到的0加1后赋值给g_num。
这样导致虽然t1和t2都对g_num加1，但结果仍然是g_num=1

示例代码一：

import threading  
import time  
  
g_num = 0  
  
  
def work_1(num):  
    global g_num  
    for i in range(num):  
        g_num += 1  
    print(f"线程1计算的结果为: {g_num}")  
  
  
def work_2(num):  
    global g_num  
    for i in range(num):  
        g_num += 1  
    print(f"线程2计算的结果为: {g_num}")  
  
  
if __name__ == "__main__":  
    print(f"线程创建之前g_num的值为: {g_num}")  
    t1 = threading.Thread(target=work_1, args=(100,))  
    t1.start()  
  
    t2 = threading.Thread(target=work_2, args=(100,))  
    t2.start()  
  
    # 等待子线程任务执行完毕后再执行主线程代码  
    while len(threading.enumerate()) != 1:  
        time.sleep(1)  
  
    print("2个线程对同一个全局变量操作之后的最终结果是:%s" % g_num)

示例代码二：

import threading  
import time  
  
g_num = 0  
  
  
def work_1(num):  
    global g_num  
    for i in range(num):  
        g_num += 1  
    print(f"线程1计算的结果为: {g_num}")  
  
  
def work_2(num):  
    global g_num  
    for i in range(num):  
        g_num += 1  
    print(f"线程2计算的结果为: {g_num}")  
  
  
if __name__ == "__main__":  
    print(f"线程创建之前g_num的值为: {g_num}")  
    t1 = threading.Thread(target=work_1, args=(1000000,))  
    t1.start()  
  
    t2 = threading.Thread(target=work_2, args=(1000000,))  
    t2.start()  
  
    # 等待子线程任务执行完毕后再执行主线程代码  
    while len(threading.enumerate()) != 1:  
        time.sleep(1)  
  
    print("2个线程对同一个全局变量操作之后的最终结果是:%s" % g_num)

结论： 如果多个线程同时对同一个全局变量操作，会出现资源竞争问题，从而数据结果会不正确

同步的概念

同步就是协同步调，按预定的先后次序进行运行。如:你说完，我再说。

“同” 字从字面上容易理解为一起动作

其实不是，“同” 字应是指协同、协助、互相配合。

如进程、线程同步，可理解为进程或线程A和B一块配合，A执行到一定程度时要依靠B的某个结果，于是停下来，示意B运行;B执行，再将结果给A;A再继续操作。

解决线程同时修改全局变量的方式

对于上一小节提出的那个计算错误的问题，可以通过线程同步来进行解决

思路，如下:

系统调用t1，然后获取到g_num的值为0，此时上一把锁，即不允许其他线程操作g_num
t1对g_num的值进行+1
t1解锁，此时g_num的值为1，其他的线程就可以使用g_num了，而且是g_num的值不是0而是1
同理其他线程在对g_num进行修改时，都要先上锁，处理完后再解锁，在上锁的整个过程中不允许其他线程访问，就保证了数据的正确性

互斥锁

当多个线程几乎同时修改某一个共享数据的时候，需要进行同步控制

线程同步能够保证多个线程安全访问竞争资源，最简单的同步机制是引入互斥锁。

互斥锁为资源引入一个状态：锁定 / 非锁定

某个线程要更改共享数据时，先将其锁定，此时资源的状态为 “锁定”，其他线程不能更改；直到该线程释放资源，将资源的状态变成 “非锁定”，其他的线程才能再次锁定该资源。互斥锁保证了每次只有一个线程进行写入操作，从而保证了多线程情况下数据的正确性。

threading模块中定义了Lock类，可以方便的处理锁定：

# 创建锁  
mutex = threading.Lock()  
  
# 锁定  
mutex.acquire()  
  
# 释放  
mutex.release()

注意点：

如果这个锁之前是没有上锁的，那么acquire不会堵塞
如果在调用acquire对这个锁上锁之前它已经被其他线程上了锁，那么此时acquire会堵塞，直到这个锁被解锁为止

互斥锁的使用

import threading  
import time  
  
  
# 创建一个互斥锁  
# 默认是未上锁的状态  
mutex = threading.Lock()  
# 全局变量  
g_num = 0  
  
def add_number_1(num):  
    global g_num  
    for i in range(num):  
        mutex.acquire()  # 上锁  
        g_num += 1  
        mutex.release()  # 解锁  
  
    print(f"线程1计算得出的结果为: {g_num}")  
  
def add_number_2(num):  
    global g_num  
    for i in range(num):  
        mutex.acquire()  # 上锁  
        g_num += 1  
        mutex.release()  # 解锁  
  
    print(f"线程2计算得出的结果为: {g_num}")  
  
if __name__ == "__main__":  
    # 创建2个线程，让他们各自对g_num加1000000次  
    p1 = threading.Thread(target=add_number_1, args=(1000000,))  
    p1.start()  
  
    p2 = threading.Thread(target=add_number_2, args=(1000000,))  
    p2.start()  
  
    # 等待计算完成  
    while len(threading.enumerate()) != 1:  
        time.sleep(1)  
  
    print("2个线程对同一个全局变量操作之后的最终结果是:%s" % g_num)

可以看到最后的结果，加入互斥锁后，其结果与预期相符。

上锁解锁过程

当一个线程调用锁的acquire()方法获得锁时，锁就进入“locked”状态。

每次只有一个线程可以获得锁。如果此时另一个线程试图获得这个锁，该线程就会变为“blocked”状态，称为“阻塞”，直到拥有锁的线程调用锁的release()方法释放锁之后，锁进入“unlocked”状态。

线程调度程序从处于同步阻塞状态的线程中选择一个来获得锁，并使得该线程进入运行（running）状态。

总结：

锁的好处：

确保了某段关键代码只能由一个线程从头到尾完整地执行

锁的坏处：

阻止了多线程并发执行，包含锁的某段代码实际上只能以单线程模式执行，效率就大大地下降了
由于可以存在多个锁，不同的线程持有不同的锁，并试图获取对方持有的锁时，可能会造成死锁

死锁

在线程间共享多个资源的时候，如果两个线程分别占有一部分资源并且同时等待对方的资源，就会造成死锁。

尽管死锁很少发生，但一旦发生就会造成应用的停止响应。

死锁代码案例

#coding=utf-8  
import threading  
import time  
  
mutexA = threading.Lock()  
mutexB = threading.Lock()  
  
class MyThread1(threading.Thread):  
    def run(self):  
        # 对mutexA上锁  
        mutexA.acquire()  
  
        # mutexA上锁后，延时1秒，等待另外那个线程 把mutexB上锁  
        print(self.name+'----do1---up----')  
        time.sleep(1)  
  
        # 此时会堵塞，因为这个mutexB已经被另外的线程抢先上锁了  
        mutexB.acquire()  
        print(self.name+'----do1---down----')  
        mutexB.release()  
  
        # 对mutexA解锁  
        mutexA.release()  
  
class MyThread2(threading.Thread):  
    def run(self):  
        # 对mutexB上锁  
        mutexB.acquire()  
  
        # mutexB上锁后，延时1秒，等待另外那个线程 把mutexA上锁  
        print(self.name+'----do2---up----')  
        time.sleep(1)  
  
        # 此时会堵塞，因为这个mutexA已经被另外的线程抢先上锁了  
        mutexA.acquire()  
        print(self.name+'----do2---down----')  
        mutexA.release()  
  
        # 对mutexB解锁  
        mutexB.release()  
  
  
if __name__ == '__main__':  
    t1 = MyThread1()  
    t2 = MyThread2()  
    t1.start()  
    t2.start()

线程池

线程池，是一种线程的使用模式，它为了降低线程使用中频繁的创建和销毁所带来的资源消耗与代价。通过创建一定数量的线程，让他们时刻准备就绪等待新任务的到达，而任务执行结束之后再重新回来继续待命

实例化线程池对象

from concurrent.futures import ThreadPoolExecutor   
def crawl(url):   
   print(url)   
if __name__ == '__main__0':   
   base_url = 'https://jobs.51job.com/pachongkaifa/p{}/'   
   with ThreadPoolExecutor(10) as f:   
   for i in range(1,15):   
       f.submit(crawl,url=base_url.format(i))

使用线程池来执行线程任务的步骤如下：
调用 ThreadPoolExecutor 类的构造器创建一个线程池。
定义一个普通函数作为线程任务。
调用 ThreadPoolExecutor 对象的 submit() 方法来提交线程任务。

当不想提交任何任务时，调用 ThreadPoolExecutor 对象的 shutdown() 方法来关闭线程池。

from concurrent.futures import ThreadPoolExecutor  
import threading  
import time  
  
# 定义一个准备作为线程任务的函数  
def action(max):  
   my_sum = 0  
   for i in range(max):  
       print(threading.current_thread().name + '  ' + str(i))  
       my_sum += i  
   return my_sum  
# 创建一个包含2条线程的线程池  
pool = ThreadPoolExecutor(max_workers=2)  
# 向线程池提交一个task, 50会作为action()函数的参数  
future1 = pool.submit(action, 50)  
# 向线程池再提交一个task, 100会作为action()函数的参数  
future2 = pool.submit(action, 100)  
# 判断future1代表的任务是否结束  
print(future1.done())  
time.sleep(3)  
# 判断future2代表的任务是否结束  
print(future2.done())  
# 查看future1代表的任务返回的结果  
print(future1.result())  
# 查看future2代表的任务返回的结果  
print(future2.result())  
# 关闭线程池   
pool.shutdown()

感兴趣的小伙伴，赠送全套Python学习资料，包含面试题、简历资料等具体看下方。

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

工具都帮大家整理好了，安装就可直接上手！

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python视频合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试宝典

在这里插入图片描述

简历模板 在这里插入图片描述

认真写程序的强哥

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
【爬虫教程】还不会多线程和线程池？这篇教程直接搞定！

在学习多线程的使用之前，需要先了解线程、进程的概念。进程是操作系统分配资源和调度的基本单位，它包含了执行程序所需的所有资源。线程是进程内的执行单位，它共享进程的资源，是实现并发编程的重要元素。Python代码的执行由Python虚拟机（解释器主循环）控制。Python在设计之初就考虑到在主循环中只能有一个线程执行，虽然Python解释器中可以“运行”多个线程，但是在任意时刻只有一个线程在解释器中运行。
复制链接

扫一扫