4.1-python爬虫之多线程爬虫

系列文章目录

python爬虫目录

---

---

前言

摘录自B站对应课程笔记
不愧是清华大佬！把Python网络爬虫讲得如此简单明了！从入门到精通保姆级教程（建议收藏）

以下是本篇文章正文内容，下面案例可供参考

---

一、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。

二、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：

import threading
import time
 
def coding():
    for x in range(3):
        print('%s正在写代码' % x)
        time.sleep(1)
 
def drawing():
    for x in range(3):
        print('%s正在画图' % x)
        time.sleep(1)
 
 
def single_thread():
    coding()
    drawing()
 
def multi_thread():
    t1 = threading.Thread(target=coding)
    t2 = threading.Thread(target=drawing)
 
    t1.start()
    t2.start()
 
if __name__ == '__main__':
    multi_thread()

1、查看线程数

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

2、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。

3、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()

4、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：

import threading
 
tickets = 0
 
def get_ticket():
    global tickets
    for x in range(1000000):
        tickets += 1
    print('tickets:%d'%tickets)
 
def main():
    for x in range(2):
        t = threading.Thread(target=get_ticket)
        t.start()
 
if __name__ == '__main__':
    main()
    #以上结果正常来讲应该是6，但是因为多线程运行的不确定性。因此最后的结果可能是随机的。

5、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():
    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()

三、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 time
import random
 
gMoney = 1000
gTotalTime = 10
gTime = 0
gLock = threading.Lock()
 
class Producer(threading.Thread):
    def run(self):
        while True:
            global gTime
            global gMoney
            money = random.randint(100,1000)
            gLock.acquire()
            if gTime < gTotalTime:
                gMoney += money
                print("{}挣了{}元，现在总共有{}元".format(threading.currentThread(), money, gMoney))
                gTime += 1
                gLock.release()
                time.sleep(0.5)
            else:
                gLock.release()
                break
 
 
class Consumer(threading.Thread):
    def run(self):
        while True:
            global gMoney
            money = random.randint(100, 1000)
            if gTime >= gTotalTime:
                break
            gLock.acquire()
            if money > gMoney:
                print("{}想消费{}元，现在只有{}元,消费失败".format(threading.currentThread(), money, gMoney))
            else:
                gMoney -= money
                print("{}消费{}元，现在剩余{}元".format(threading.currentThread(), money, gMoney))
            time.sleep(0.5)
            gLock.release()
 
def main():
    for i in range(3):
        consumer = Consumer(name="消费者{}".format(i))
        consumer.start()
    for i in range(5):
        producer = Producer(name="生产者{}".format(i))
        producer.start()
 
 
if __name__ == '__main__':
    main()

四、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：

• acquire：上锁。
• release：解锁。
• 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。
• notify：通知某个正在等待的线程，默认是第1个等待的线程。
• 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。

import threading
import time
import random
 
gMoney = 1000
gTotalTime = 10
gTime = 0
gCondition = threading.Condition()
 
class Producer(threading.Thread):
    def run(self):
        while True:
            global gTime
            global gMoney
            money = random.randint(100,1000)
            gCondition.acquire()  # 获取锁
            if gTime >= gTotalTime:
                print("{}挣不动了 ".format(threading.currentThread()))
                gCondition.release()
                break
            gMoney += money
            print("{}挣了{}元，现在总共有{}元".format(threading.currentThread(), money, gMoney))
            gTime += 1
            gCondition.notify()  # 通知多少个等待的线程，默认1
            # gCondition.notify_all()  # 通知所有在等待的线程，重新竞争锁
            gCondition.release()  # 释放锁
            time.sleep(0.5)
 
 
class Consumer(threading.Thread):
    def run(self):
        while True:
            global gMoney
            money = random.randint(100, 1000)
            gCondition.acquire()  # 获取锁
            while money > gMoney:  # 获得锁，但是钱不够消费，继续等待
                if gTime >= gTotalTime and money > gMoney:
                    print("没人挣钱，钱不够，{} 走了".format(threading.currentThread()))
                    gCondition.release()
                    return  # 退出执行方法
                print("{}想消费{}元，现在只有{}元， 余额不足".format(threading.currentThread(), money, gMoney))
                gCondition.wait()  # 不断等待，直到获得锁并余额满足消费
            gMoney -= money
            print("{}消费{}元，现在剩余{}元".format(threading.currentThread(), money, gMoney))
            gCondition.release()
            time.sleep(0.5)
 
 
def main():
    for i in range(3):
        consumer = Consumer(name="消费者{}".format(i))
        consumer.start()
    for i in range(5):
        producer = Producer(name="生产者{}".format(i))
        producer.start()
 
 
if __name__ == '__main__':
    main()

五、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：
初始化Queue(maxsize)：创建一个先进先出的队列。

• qsize()：返回队列的大小。
• empty()：判断队列是否为空。
• full()：判断队列是否满了。
• get(block=True)：从队列中取最后一个数据。True:如果队列为空，阻塞等待
• put(block=True)：将一个数据放到队列中。True:如果队列满了，阻塞等待

六、使用生产者与消费者模式 多线程 下载表情包

1、单线程

#单线程
import requests, os, re, time
from urllib import request
from lxml import etree
 
def parse_page(url):
    # 封装请求头
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36"
    }
    response = requests.get(url, headers=headers)
    # 根据网站的编码格式对内容解码
    text = response.content.decode("utf-8")
    html = etree.HTML(text)  # 解析页面内容
    # 通过xpath 找到指定 img 标签
    imgs = html.xpath("//div[@class='page-content text-center']//img[@class!='gif']")
    for img in imgs:
        img_url = img.get("data-original")  # 获取属性
        alt = img.get("alt")  # 图片中文名
        alt = re.sub(r'[\?？，。！!\.\*/\|]', "", alt)  # 替换掉不合法的文件名标识
        suffix = os.path.splitext(img_url)[1]  # 获取后缀
        filename = os.path.basename(img_url)  # 获取文件名
        if alt:  # 如果中文属性为空，文件名用原来的
            filename = alt + suffix
        print("下载图片：{}".format(filename))
        request.urlretrieve(img_url, "images/" + filename)
 
def main():
    #  下载斗图啦网站前5页最新表情中的图片
    for i in range(1, 6):
        url = "https://www.doutula.com/photo/list/?page={}".format(i)
        parse_page(url)
 
if __name__ == '__main__':
    start_time = time.time()
    main()
    end_time = time.time()
    print("花费时间：{}".format(end_time - start_time))  # 75s

2、多线程

#多线程
import requests, os, re, time, threading, queue
from urllib import request
from lxml import etree
 
class Producer(threading.Thread):
    # 封装请求头
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36"
    }
 
    def __init__(self, page_queue, img_queue,*args, **kwargs):
        super(Producer, self).__init__(*args, **kwargs)
        self.page_queue = page_queue
        self.img_queue = img_queue
 
    def run(self):
        while True:
            if self.page_queue.empty():  # 如果队列为空，解析结束
                print("解析完成页面， {} 退出".format(threading.currentThread()))
                break
            url = self.page_queue.get()  # 获取页面url
            self.parse_page(url)  # 解析页面
 
    def parse_page(self, url):
        response = requests.get(url, headers=self.headers)
        # 根据网站的编码格式对内容解码
        text = response.content.decode("utf-8")
        html = etree.HTML(text)  # 解析页面内容
        # 通过xpath 找到指定 img 标签
        imgs = html.xpath("//div[@class='page-content text-center']//img[@class!='gif']")
        for img in imgs:
            img_url = img.get("data-original")  # 获取属性
            alt = img.get("alt")  # 图片中文名
            alt = re.sub(r'[\?？，。！!\.\*/]', "", alt)  # 替换掉不合法的文件名标识
            suffix = os.path.splitext(img_url)[1]  # 获取后缀
            filename = os.path.basename(img_url)  # 获取文件名
            if alt:  # 如果中文属性为空，文件名用原来的
                filename = alt + suffix
            # print("下载图片：{}".format(filename))
            self.img_queue.put((img_url, "images/" + filename))  # 保存需要下载的图片数据到队列
            # request.urlretrieve(img_url, "images/" + filename)
 
 
class Consumer(threading.Thread):
    def __init__(self, page_queue, img_queue, *args, **kwargs):
        super(Consumer, self).__init__(*args, **kwargs)
        self.page_queue = page_queue
        self.img_queue = img_queue
 
    def run(self):
        while True:
            if self.page_queue.empty() and self.img_queue.empty():
                print("下载完成，{} 退出".format(threading.currentThread()))
                break
            img_url, filename = self.img_queue.get()
            request.urlretrieve(img_url, filename)
            print("下载完图片： {}".format(filename))
 
thread_list = []
 
def main():
    page_queue = queue.Queue(100)
    img_queue = queue.Queue(1000)
    #  下载斗图啦网站前5页最新表情中的图片
    for i in range(1, 6):
        url = "https://www.doutula.com/photo/list/?page={}".format(i)
        page_queue.put(url)
    # 启动 解析页面进程
    for i in range(3):
        p = Producer(page_queue, img_queue)
        p.start()
        thread_list.append(p)
    # 启动 下载图片进程
    for i in range(5):
        c = Consumer(page_queue, img_queue)
        c.start()
        thread_list.append(c)
 
if __name__ == '__main__':
    start_time = time.time()
    main()
    for t in thread_list:  # 阻塞主线程，计算总共时间
        t.join()
    end_time = time.time()
    print("花费时间：{}".format(end_time - start_time))  # 17s

3、协程版本

下面下载分两步：第一步先下载解析页面获取需要下载图片的url；第二步通过gevent 实现一个进程下 单线程 协程下载图片。因为下载图片是IO 操作，gevent 自动给我进行处理，下载同样图片，多线程大概17s,下面的协程实现大概14~15s,比多线程节省时间，因为线程不断切换需要花费时间。该方法在这个场景效率最高。

from gevent import monkey; monkey.patch_all()  # 必须在首行
import requests, os, re, time, gevent
from urllib import request
from lxml import etree
 
 
def parse_page(url):
    url_list = []
    # 封装请求头
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36"
    }
    response = requests.get(url, headers=headers)
    # 根据网站的编码格式对内容解码
    text = response.content.decode("utf-8")
    html = etree.HTML(text)  # 解析页面内容
    # 通过xpath 找到指定 img 标签
    imgs = html.xpath("//div[@class='page-content text-center']//img[@class!='gif']")
    for img in imgs:
        img_url = img.get("data-original")  # 获取属性
        alt = img.get("alt")  # 图片中文名
        alt = re.sub(r'[\?？，。！!\.\*/\|]', "", alt)  # 替换掉不合法的文件名标识
        suffix = os.path.splitext(img_url)[1]  # 获取后缀
        filename = os.path.basename(img_url)  # 获取文件名
        if alt:  # 如果中文属性为空，文件名用原来的
            filename = alt + suffix
        # print("下载图片：{}".format(filename))
        # request.urlretrieve(img_url, "images/" + filename)
        url_list.append((img_url, "images/" + filename))
    return url_list
 
def download_img(url, filename):
    print("开始下载图片：{}".format(filename))
    request.urlretrieve(url, filename)
 
def main():
    #  下载斗图啦网站前5页最新表情中的图片
    all_url_list = []
    for i in range(1, 6):
        url = "https://www.doutula.com/photo/list/?page={}".format(i)
        urls = parse_page(url)
        # print(urls)
        all_url_list.extend(urls)
 
    # 使用 gevent 模块实现协程，下载图片
    print("解析完成，开始下载")
    list1 = []
    for url, filename in all_url_list:
        list1.append(gevent.spawn(download_img, url, filename))
    gevent.joinall(list1)
 
 
if __name__ == '__main__':
    start_time = time.time()
    main()
    end_time = time.time()
    print("花费时间：{}".format(end_time - start_time))  # 14.8

七、GIL全局解释器锁

Python自带的解释器是CPython。CPython解释器的多线程实际上是一个假的多线程（在多核CPU中，只能利用一核，不能利用多核）。同一时刻只有一个线程在执行，为了保证同一时刻只有一个线程在执行，在CPython解释器中有一个东西叫做GIL（Global Intepreter Lock），叫做全局解释器锁。这个解释器锁是有必要的。因为CPython解释器的内存管理不是线程安全的。当然除了CPython解释器，还有其他的解释器，有些解释器是没有GIL锁的，见下面：

Jython：用Java实现的Python解释器。不存在GIL锁。更多详情请见：https://zh.wikipedia.org/wiki/Jython
IronPython：用.net实现的Python解释器。不存在GIL锁。更多详情请见：https://zh.wikipedia.org/wiki/IronPython
PyPy：用Python实现的Python解释器。存在GIL锁。更多详情请见：https://zh.wikipedia.org/wiki/PyPy

GIL虽然是一个假的多线程。但是在处理一些IO操作（比如文件读写和网络请求）还是可以在很大程度上提高效率的。在IO操作上建议使用多线程提高效率。在一些CPU计算操作上不建议使用多线程，而建议使用多进程。

八、多线程下载百思不得姐段子作业

import requests
from lxml import etree
import threading
from queue import Queue
import csv
 
 
class BSSpider(threading.Thread):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
    }
    def __init__(self,page_queue,joke_queue,*args,**kwargs):
        super(BSSpider, self).__init__(*args,**kwargs)
        self.base_domain = 'http://www.budejie.com'
        self.page_queue = page_queue
        self.joke_queue = joke_queue
 
    def run(self):
        while True:
            if self.page_queue.empty():
                break
            url = self.page_queue.get()
            response = requests.get(url, headers=self.headers)
            text = response.text
            html = etree.HTML(text)
            descs = html.xpath("//div[@class='j-r-list-c-desc']")
            for desc in descs:
                jokes = desc.xpath(".//text()")
                joke = "\n".join(jokes).strip()
                link = self.base_domain+desc.xpath(".//a/@href")[0]
                self.joke_queue.put((joke,link))
            print('='*30+"第%s页下载完成！"%url.split('/')[-1]+"="*30)
 
class BSWriter(threading.Thread):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'
    }
 
    def __init__(self, joke_queue, writer,gLock, *args, **kwargs):
        super(BSWriter, self).__init__(*args, **kwargs)
        self.joke_queue = joke_queue
        self.writer = writer
        self.lock = gLock
 
    def run(self):
        while True:
            try:
                joke_info = self.joke_queue.get(timeout=40)
                joke,link = joke_info
                self.lock.acquire()
                self.writer.writerow((joke,link))
                self.lock.release()
                print('保存一条')
            except:
                break
 
def main():
    page_queue = Queue(10)
    joke_queue = Queue(500)
    gLock = threading.Lock()
    fp = open('bsbdj.csv', 'a',newline='', encoding='utf-8')
    writer = csv.writer(fp)
    writer.writerow(('content', 'link'))
 
    for x in range(1,11):
        url = 'http://www.budejie.com/text/%d' % x
        page_queue.put(url)
 
    for x in range(5):
        t = BSSpider(page_queue,joke_queue)
        t.start()
 
    for x in range(5):
        t = BSWriter(joke_queue,writer,gLock)
        t.start()
 
if __name__ == '__main__':
    main()