Queue(队列对象)
Queue是python中的标准库,可以直接import Queue引用;队列是线程间最常用的交换数据的形式
python下多线程的思考
对于资源,加锁是个重要的环节。因为python原生的list,dict等,都是not thread safe的。而Queue,是线程安全的,因此在满足使用条件下,建议使用队列
-
初始化: class Queue.Queue(maxsize) FIFO 先进先出
-
包中的常用方法:
-
Queue.qsize() 返回队列的大小
-
Queue.empty() 如果队列为空,返回True,反之False
-
Queue.full() 如果队列满了,返回True,反之False
-
Queue.full 与 maxsize 大小对应
-
Queue.get([block[, timeout]])获取队列,timeout等待时间
-
-
创建一个“队列”对象
- import queue
- myqueue = queue.Queue(maxsize = 10)
-
将一个值放入队列中
- myqueue.put(10)
-
将一个值从队列中取出
- myqueue.get()
1 # 使用了线程库 2 import threading 3 # 队列 4 import queue 5 # 解析库 6 from lxml import etree 7 # 请求处理 8 import requests 9 # json处理 10 import json 11 import time 12 13 class ThreadCrawl(threading.Thread): 14 def __init__(self, threadName, pageQueue, dataQueue): 15 #threading.Thread.__init__(self) 16 # 调用父类初始化方法 17 super(ThreadCrawl, self).__init__() 18 # 线程名 19 self.threadName = threadName 20 # 页码队列 21 self.pageQueue = pageQueue 22 # 数据队列 23 self.dataQueue = dataQueue 24 # 请求报头 25 self.headers = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"} 26 27 def run(self): 28 print("启动 " + self.threadName) 29 while not CRAWL_EXIT: 30 try: 31 # 取出一个数字,先进先出 32 # 可选参数block,默认值为True 33 #1. 如果对列为空,block为True的话,不会结束,会进入阻塞状态,直到队列有新的数据 34 #2. 如果队列为空,block为False的话,就弹出一个Queue.empty()异常, 35 page = self.pageQueue.get(False) 36 url = "http://www.qiushibaike.com/8hr/page/" + str(page) +"/" 37 #print url 38 content = requests.get(url, headers = self.headers).text 39 time.sleep(1) 40 self.dataQueue.put(content) 41 #print(len(content)) 42 except: 43 pass 44 print("结束 " + self.threadName) 45 46 class ThreadParse(threading.Thread): 47 def __init__(self, threadName, dataQueue, filename, lock): 48 super(ThreadParse, self).__init__() 49 # 线程名 50 self.threadName = threadName 51 # 数据队列 52 self.dataQueue = dataQueue 53 # 保存解析后数据的文件名 54 self.filename = filename 55 # 锁 56 self.lock = lock 57 58 def run(self): 59 print("启动" + self.threadName) 60 while not PARSE_EXIT: 61 try: 62 html = self.dataQueue.get(False) 63 self.parse(html) 64 except: 65 pass 66 print("退出" + self.threadName) 67 68 def parse(self, html): 69 # 解析为HTML DOM 70 html = etree.HTML(html) 71 72 node_list = html.xpath('//div[contains(@id, "qiushi_tag")]') 73 74 for node in node_list: 75 # xpath返回的列表,这个列表就这一个参数,用索引方式取出来,用户名 76 username = node.xpath('.//img/@alt')[0] 77 # 图片连接 78 image = node.xpath('.//div[@class="thumb"]//@src')#[0] 79 # 取出标签下的内容,段子内容 80 content = node.xpath('.//div[@class="content"]/span')[0].text 81 # 取出标签里包含的内容,点赞 82 zan = node.xpath('.//i')[0].text 83 # 评论 84 comments = node.xpath('.//i')[1].text 85 86 items = { 87 "username" : username, 88 "image" : image, 89 "content" : content, 90 "zan" : zan, 91 "comments" : comments 92 } 93 94 # with 后面有两个必须执行的操作:__enter__ 和 _exit__ 95 # 不管里面的操作结果如何,都会执行打开、关闭 96 # 打开锁、处理内容、释放锁 97 with self.lock: 98 # 写入存储的解析后的数据 99 self.filename.write(json.dumps(items, ensure_ascii = False) + "\n") 100 101 CRAWL_EXIT = False 102 PARSE_EXIT = False 103 104 105 def main(): 106 # 页码的队列,表示20个页面 107 pageQueue = queue.Queue(20) 108 # 放入1~10的数字,先进先出 109 for i in range(1, 21): 110 pageQueue.put(i) 111 112 # 采集结果(每页的HTML源码)的数据队列,参数为空表示不限制 113 dataQueue = queue.Queue() 114 115 filename = open("duanzi.json", "a") 116 # 创建锁 117 lock = threading.Lock() 118 119 # 三个采集线程的名字 120 crawlList = ["采集线程1号", "采集线程2号", "采集线程3号"] 121 # 存储三个采集线程的列表集合 122 threadcrawl = [] 123 for threadName in crawlList: 124 thread = ThreadCrawl(threadName, pageQueue, dataQueue) 125 thread.start() 126 threadcrawl.append(thread) 127 128 129 # 三个解析线程的名字 130 parseList = ["解析线程1号","解析线程2号","解析线程3号"] 131 # 存储三个解析线程 132 threadparse = [] 133 for threadName in parseList: 134 thread = ThreadParse(threadName, dataQueue, filename, lock) 135 thread.start() 136 threadparse.append(thread) 137 138 # 等待pageQueue队列为空,也就是等待之前的操作执行完毕 139 while not pageQueue.empty(): 140 pass 141 142 # 如果pageQueue为空,采集线程退出循环 143 global CRAWL_EXIT 144 CRAWL_EXIT = True 145 146 print("pageQueue为空") 147 148 for thread in threadcrawl: 149 thread.join() 150 print("1") 151 152 while not dataQueue.empty(): 153 pass 154 155 global PARSE_EXIT 156 PARSE_EXIT = True 157 158 for thread in threadparse: 159 thread.join() 160 print("2") 161 162 with lock: 163 # 关闭文件 164 filename.close() 165 print("谢谢使用!") 166 167 if __name__ == "__main__": 168 main()
控制台输出:
1 启动 采集线程1号 2 启动 采集线程2号 3 启动 采集线程3号 4 启动解析线程1号 5 启动解析线程2号 6 启动解析线程3号 7 pageQueue为空 8 结束 采集线程2号 9 89037 10 结束 采集线程3号 11 89037 12 结束 采集线程1号 13 1 14 1 15 1 16 退出解析线程3号 17 退出解析线程1号 18 2 19 退出解析线程2号 20 2 21 2 22 谢谢使用!