import queue
由于外部网络不稳定,在使用单线程爬取网页数据时,如果有一个网页响应速度慢或者卡住,整个程序都要等待下去。因此,可以使用多线程、多进程、协程技术实现并发下载网页。
多进程适用于 CPU 密集型的代码,例如各种循环处理、大量的密集并行计算;
多线程适用于 I/O 密集型的代码,例如文件处理、网络交互;
协程无须通过操作系统调度,没有进程、线程之间的切换和创建等开销,适用于大量不需要 CPU 的操作,例如网络 I/O 等。
实际上,限制爬虫程序发展的瓶颈就在于网络 I/O,原因是网络 I/O 的速度赶不上CPU 的处理速度。
一、多线程爬虫流程分析
多线程爬虫将多线程技术运用在采集网页信息和解析网页内容上。
① 准备一个网址列表,爬取数据的网页列表。
与单线程爬虫不同,多线程爬虫可以同时爬取多个网页。
② 同时开启多个线程爬取网页内容。
一般启动固定数量的线程,一个线程爬取完一个网页之后,接着爬取下一个。线程的数量不宜过多,否则,线程调度的时间太长,效率低;线程的数量也不宜过少,否则不能最大限度地提高爬取速度。
③ 将爬取到的网页源代码存储在一个列表中。
④ 同时使用多个线程对网页源代码表的网页内容进行解析。
⑤ 将解析之后的数据存储起来。
二、使用 queue 模块实现多线程爬虫
多线程爬虫要在内存中存储数据&