python爬虫基础知识点,Python爬虫基础知识点：多进程的应用讲解

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者：东哥IT笔记

现在很多CPU都支持多核，甚至是手机都已经开始支持多核了。而Python的GIL(Global Interpreter Locko)则使得其没法使用这些多核带来的优势。还好从Python2.6开始，引入了multiprocessing模块，我们终于可以使用多核带来的便利了。

本文，你会学习到下面这些内容：

使用多进程的优点

使用多进程的缺点

使用multiprocessing来创建多进程

Process的子类化

创建进程池

本文并不是一个multiprocessing的全面的介绍，假如你想全面的了解它，可以参见官方的文档：

https://docs.python.org/2/library/multiprocessing.html

下面让我们开始吧！

使用多进程的优点

使用多进程有很多优点：

多进程使用独立的内存空间

相比于线程，代码更加直观

能够使用多个CPU/多核

避免GIL

子进程可以被kill(和thread不同)

multiprocessing有和threading.Thread类似的接口

对CPU绑定的进程比较好(加密，二进制搜索，矩阵乘法等)

下面我们来看看使用多进程有什么缺点：

使用多进程的缺点

使用多进程也有一些缺点：

进程间通信更加复杂

内存的占用大于线程

使用multiprocessing来创建进程

multiprocessing是用来模拟threading.Thread类工作的。下面就是一个使用它的例子：

importmultiprocessingimportrandomimporttimedef worker(name: str) ->None:print(f'Started worker {name}')

worker_time= random.choice(range(1, 5))

time.sleep(worker_time)print(f'{name} worker finished in {worker_time} seconds')if __name__ == '__main__':

processes=[]for i in range(5):

process= multiprocessing.Process(target=worker,

args=(f'computer_{i}',))

processes.append(process)

process.start()for proc inprocesses:

proc.join()

首先第一步需要import multiprocessing模块，另外两个import分别是为random和time服务的。

worker函数就是用来假装做一些事情，传入一个name的参数，没有什么返回，他首先打印name的值，然后随机sleep一段时间用来模拟做一段很长时间的工作，最后打印work finish。

紧接着，你使用multiprocessing.Process创建了5个进程，他的使用和threading.Tread()比较类似，你告诉Process哪个目标函数需要调用，以及会传入什么参数给他们，然后你调用了start函数来启动进程。另外你会把这些进程加入到一个list中。

最后，你遍历这个list，调用join方法，这个方法其实就是告诉Python等到进程结束。

假如你run这个函数，你会看到类似下面这样的输出：

其实你每次运行这个函数，结果都会有稍许的不同，主要还是因为你调用了random函数，你可以试试，看看你自己的输出。

Process的子类化

multiporcessing模块中的Process类是可以子类化的，他和threading.thread的类差不多。我们来看下面代码：

#worker_thread_subclass.py

importrandomimportmultiprocessingimporttimeclassWorkerProcess(multiprocessing.Process):def __init__(self, name):

multiprocessing.Process.__init__(self)

self.name=namedefrun(self):"""Run the thread"""worker(self.name)def worker(name: str) ->None:print(f'Started worker {name}')

worker_time= random.choice(range(1, 5))

time.sleep(worker_time)print(f'{name} worker finished in {worker_time} seconds')if __name__ == '__main__':

processes=[]for i in range(5):

process= WorkerProcess(name=f'computer_{i}')

processes.append(process)

process.start()for process inprocesses:

process.join()

这里，我们写了一个multiprocess.Process()的子类，并且重写了run()方法。

其他方面和上面的例子其实是类似的，现在我们可以来看看具体的输出，和上面的也类似。

创建一个进程池

假如你有很多进程需要运行，有时你希望能够限制进程运行的数目。比如说，你需要运行20个进程，但是你只有4个核，那么你可以使用multiprocessing模块来创建一个进程池，用它来限制每次进程运行的数目到4个。

下面是示例的代码：

importrandomimporttimefrom multiprocessing importPooldef worker(name: str) ->None:print(f'Started worker {name}')

worker_time= random.choice(range(1, 5))

time.sleep(worker_time)print(f'{name} worker finished in {worker_time} seconds')if __name__ == '__main__':

process_names= [f'computer_{i}' for i in range(15)]

pool= Pool(processes=5)

pool.map(worker, process_names)

pool.terminate()

这个例子中，worker函数还是一样的，主要是后面的代码， 我们创建了一个进程池，它的数目是5，也就意味着最大的运行数目是5。使用这个pool，你需要调用map()方法，然后把你需要的调用的方法和参数传递给他。

这样的话，Python每次只会使用5个进程来运行直到结束。最后你需要调用terminate()函数，否则你会发现下面的错误：

/Library/Frameworks/Python.framework/Versions/3.8/lib/python3.8/multiprocessing/resource_tracker.py:216:

UserWarning: resource_tracker: There appear to be 6 leaked semaphore objects to clean up at shutdown

这个代码的具体输出如下所示：